Apache Airflow и конвейеры обработки данных 9785970609705, 9781617296901

Citation preview

Data Pipelines with Apache Airflow SECOND EDITION

BAS HARENSLAK and J U L I A N D E R U I T E R

Apache Airflow и конвейеры обработки данных

Б АС Х А Р Е Н СЛ А К Д Ж УЛ И А Н Д Е РУ Й Т Е Р

Москва, 2022

УДК 004.4 ББК 32.372 Х20

Х20

Харенслак Б., де Руйтер Дж. Apache Airflow и конвейеры обработки данных / пер. с англ. Д. А. Беликова. – М.: ДМК Пресс, 2021. – 502 с.: ил. ISBN 978-5-97060-970-5 Конвейеры обработки данных управляют потоком данных с момента их первоначального сбора до консолидации, очистки, анализа, визуализации и многого другого. Эта книга научит вас создавать и сопровождать эффективные конвейеры обработки данных с использованием платформы Apache Airflow. Те, кто мало знаком с Airflow, получат базовое представление о принципах работы этой платформы в I части книги. Далее обсуждаются такие темы, как создание собственных компонентов, тестирование, передовые практики и развертывание, – эти главы можно читать в произвольном порядке в зависимости от конкретных потребностей читателя. Издание предназначено для специалистов по DevOps, обработке и хранению данных, машинному обучению, а также системных администраторов с навыками программирования на Python.

УДК 004.4 ББК 32.372

Original English language edition published by Manning Publications USA. Russian-language edition copyright © 2021 by DMK Press. All rights reserved. Все права защищены. Любая часть этой книги не может быть воспроизведена в какой бы то ни было форме и какими бы то ни было средствами без письменного разрешения владельцев авторских прав.

ISBN 978-1-6172-9690-1 (англ.) ISBN 978-5-97060-970-5 (рус.)

© Manning Publications, 2021 © Перевод, оформление, издание, ДМК Пресс, 2021

Оглавление Часть I 1 2 3 4 5 Часть II 6 7 8 9 10 Часть III 11 12 13 14 Часть IV 15 16 17 18

                

    

ПРИСТУПАЕМ К РАБОТЕ .......................................................................... 25 Знакомство с Apache Airflow.......................................................................... 27 Анатомия ОАГ ................................................................................................... 46 Планирование в Airflow .................................................................................. 67 Создание шаблонов задач с использованием контекста Airflow ......... 89 Определение зависимостей между задачами......................................... 114 ЗА ПРЕДЕЛАМИ ОСНОВ .......................................................................... 144 Запуск рабочих процессов ........................................................................... 146 Обмен данными с внешними системами ................................................ 166 Создание пользовательских компонентов .............................................. 190 Тестирование .................................................................................................. 222 Запуск задач в контейнерах ........................................................................ 259 AIRFLOW НА ПРАКТИКЕ ......................................................................... 294 Лучшие практики ........................................................................................... 295 Эксплуатация Airflow в промышленном окружении ............................ 324 Безопасность в Airflow .................................................................................. 369 Проект: поиск самого быстрого способа передвижения по Нью-Йорку ................................................................................................. 393 ОБЛАКО .......................................................................................................... 415 Airflow и облако .............................................................................................. 417 Airflow и AWS ................................................................................................... 426 Airflow и Azure................................................................................................. 446 Airflow в GCP .................................................................................................... 465

Содержание Предисловие ...................................................................................................... 14 Благодарности ................................................................................................. 16 О книге ............................................................................................................... 18 Об авторах ....................................................................................................... 23 Об иллюстрации на  обложке ........................................................................ 24

Часть I

1

2

ПРИСТУПАЕМ К РАБОТЕ ........................................... 25

Знакомство с Apache Airflow..................................................... 27 1.1

Знакомство с конвейерами обработки данных ........................... 28

Конвейеры обработки данных как графы ................................... 29 Выполнение графа конвейера ...................................................... 30 Графы конвейеров и последовательные сценарии ...................... 32 Запуск конвейера с помощью диспетчеров рабочих  процессов ..................................................................................... 33 1.2 Представляем Airflow ......................................................................... 35 1.2.1 Определение конвейеров в коде (Python) гибким образом............ 35 1.2.2 Планирование и выполнение конвейеров .................................... 36 1.2.3 Мониторинг и обработка сбоев ................................................. 39 1.2.4 Инкрементальная загрузка и обратное заполнение .................. 41 1.3 Когда использовать Airflow ............................................................... 42 1.3.1 Причины выбрать Airflow ........................................................... 42 1.3.2 Причины не выбирать Airflow ..................................................... 43 1.4 Остальная часть книги ....................................................................... 44 Резюме .............................................................................................................. 44 1.1.1 1.1.2 1.1.3 1.1.4

Анатомия ОАГ ...................................................................................... 46 2.1

Сбор данных из множества источников ........................................ 46

2.2

Пишем наш первый ОАГ ................................................................... 48

2.1.1

Изучение данных ......................................................................... 47

2.2.1 2.2.2

Задачи и операторы.................................................................... 52 Запуск произвольного кода на Python ......................................... 53

Содержание

2.3

7

Запуск ОАГ в Airflow ........................................................................... 56

Запуск Airflow в окружении Python.............................................. 56 Запуск Airflow в контейнерах Docker .......................................... 57 Изучаем пользовательский интерфейс Airflow .......................... 58 2.4 Запуск через равные промежутки времени ................................. 62 2.5 Обработка неудачных задач ............................................................. 64 Резюме .............................................................................................................. 66

3

2.3.1 2.3.2 2.3.3

Планирование в Airflow .................................................................. 67 3.1 3.2

Пример: обработка пользовательских событий .......................... 68 Запуск через равные промежутки времени ................................. 69

Определение интервалов ............................................................ 70 Интервалы на основе Cron ......................................................... 71 Частотные интервалы .............................................................. 73 3.3 Инкрементная обработка данных................................................... 74 3.3.1 Инкрементное извлечение событий........................................... 74 3.3.2 Динамическая привязка ко времени с использованием дат выполнения .................................................................................. 75 3.3.3 Разделение данных ...................................................................... 77 3.4 Даты выполнения ............................................................................... 80 3.4.1 Выполнение работы с фиксированными интервалами.............. 80 3.5 Использование обратного заполнения.......................................... 82 3.5.1 Назад в прошлое .......................................................................... 82 3.6 Лучшие практики для проектирования задач ............................. 84 3.6.1 Атомарность.............................................................................. 84 3.6.2 Идемпотентность ..................................................................... 86 Резюме .............................................................................................................. 87

4

3.2.1 3.2.2 3.2.3

Создание шаблонов задач с использованием контекста Airflow .............................................................................. 89 4.1 4.2

Проверка данных для обработки с помощью Airflow................. 90

4.1.1

Определение способа загрузки инкрементальных данных ......... 90

Контекст задачи и шаблонизатор Jinja .......................................... 92

Создание шаблонов аргументов оператора .............................. 92 Что доступно для создания шаблонов? ...................................... 95 Создание шаблона для PythonOperator ....................................... 97 Предоставление переменных PythonOperator ...........................102 Изучение шаблонных аргументов ..............................................104 4.3 Подключение других систем ...........................................................105 Резюме .............................................................................................................113

5

4.2.1 4.2.2 4.2.3 4.2.4 4.2.5

Определение зависимостей между задачами.............114 5.1 5.2

Базовые зависимости ........................................................................115

Линейные зависимости ..............................................................115 Зависимости «один-ко-многим» и «многие-к-одному» .............116 Ветвление .............................................................................................119 5.2.1 Ветвление внутри задач ............................................................119

5.1.1 5.1.2

Содержание

8

Ветвление внутри ОАГ ..............................................................121 5.3 Условные задачи .................................................................................126 5.3.1 Условия в задачах .......................................................................126 5.3.2 Делаем задачи условными ..........................................................127 5.3.3 Использование встроенных операторов ...................................129 5.4 Подробнее о правилах триггеров ...................................................130 5.4.1 Что такое правило триггеров? .................................................130 5.4.2 Эффект неудач ...........................................................................131 5.4.3 Другие правила ...........................................................................132 5.5 Обмен данными между задачами ..................................................133 5.5.1 Обмен данными с помощью XCom..............................................134 5.5.2 Когда (не) стоит использовать XCom .......................................137 5.5.3 Использование настраиваемых XCom-бэкендов .......................137 5.6 Связывание задач Python с помощью Taskflow API...................138 5.6.1 Упрощение задач Python с помощью Taskflow API .....................139 5.6.2 Когда (не) стоит использовать Taskflow API ............................141 Резюме .............................................................................................................143 5.2.2

Часть II

6

ЗА ПРЕДЕЛАМИ ОСНОВ ............................................144

Запуск рабочих процессов............................................................146 6.1 6.2

6.3

Опрос условий с использованием сенсоров ................................147

Опрос пользовательских условий ...............................................150 Использование сенсоров в случае сбоя .......................................152 Запуск других ОАГ..............................................................................155 6.2.1 Обратное заполнение с помощью оператора TriggerDagRunOperator ..............................................................159 6.2.2 Опрос состояния других ОАГ .....................................................159 6.1.1 6.1.2

Запуск рабочих процессов с помощью REST API и интерфейса командной строки ...................................................163 Резюме .............................................................................................................165

7 8

Обмен данными с внешними системами.......................166 7.1

Подключение к облачным сервисам .............................................167

Установка дополнительных зависимостей ..............................168 Разработка модели машинного обучения .................................169 Локальная разработка с использованием внешних систем ......174 7.2 Перенос данных из одной системы в другую..............................182 7.2.1 Реализация оператора PostgresToS3Operator ...........................184 7.2.2 Привлекаем дополнительные ресурсы для тяжелой работы....187 Резюме .............................................................................................................189 7.1.1 7.1.2 7.1.3

Создание пользовательских компонентов ...................190 8.1

Начнем с PythonOperator .................................................................191 8.1.1 8.1.2 8.1.3

Имитация API для рейтинга фильмов ......................................191 Получение оценок из API ............................................................194 Создание фактического ОАГ ......................................................197

Содержание

8.2

9

Создание собственного хука ...........................................................199

Создание собственного хука ......................................................200 Создание ОАГ с помощью MovielensHook ...................................206 8.3 Создание собственного оператора ................................................208 8.3.1 Определение собственного оператора ......................................208 8.3.2 Создание оператора для извлечения рейтингов .......................210 8.4 Создание нестандартных сенсоров ...............................................213 8.5 Упаковка компонентов .....................................................................216 8.5.1 Создание пакета Python ............................................................217 8.5.2 Установка пакета .....................................................................219 Резюме .............................................................................................................220

9

10

8.2.1 8.2.2

Тестирование ........................................................................................222 9.1

Приступаем к тестированию ...........................................................223

Тест на благонадежность ОАГ ..................................................223 Настройка конвейера непрерывной интеграции и доставки ...230 Пишем модульные тесты ..........................................................232 Структура проекта Pytest ........................................................233 Тестирование с файлами на диске .............................................238 9.2 Работа с ОАГ и контекстом задачи в тестах .................................241 9.2.1 Работа с внешними системами ................................................246 9.3 Использование тестов для разработки .........................................254 9.3.1 Тестирование полных ОАГ .........................................................257 9.4 Эмулируйте промышленное окружение с помощью Whirl .....257 9.5 Создание окружений .........................................................................258 Резюме .............................................................................................................258 9.1.1 9.1.2 9.1.3 9.1.4 9.1.5

Запуск задач в контейнерах......................................................259 10.1 Проблемы, вызываемые множеством разных операторов .....260

10.2

10.3 10.4

10.5

10.1.1 Интерфейсы и реализации операторов ....................................260 10.1.2 Сложные и конфликтующие зависимости ................................261 10.1.3 Переход к универсальному оператору .......................................261 Представляем контейнеры ..............................................................262 10.2.1 Что такое контейнеры? ...........................................................263 10.2.2 Запуск нашего первого контейнера Docker................................264 10.2.3 Создание образа Docker ..............................................................265 10.2.4 Сохранение данных с использованием томов ............................267 Контейнеры и Airflow ........................................................................270 10.3.1 Задачи в контейнерах ................................................................270 10.3.2 Зачем использовать контейнеры? ............................................270 Запуск задач в Docker ........................................................................272 10.4.1 Знакомство с DockerOperator ....................................................272 10.4.2 Создание образов для задач .......................................................274 10.4.3 Создание ОАГ с задачами Docker................................................277 10.4.4 Рабочий процесс на базе Docker .................................................280 Запуск задач в Kubernetes ................................................................281 10.5.1 Представляем Kubernetes ..........................................................282 10.5.2 Настройка Kubernetes ................................................................283 10.5.3 Использование KubernetesPodOperator ......................................286

Содержание

10

10.5.4 Диагностика проблем, связанных с Kubernetes .........................290 10.5.5 Отличия от рабочих процессов на базе Docker .........................292 Резюме .............................................................................................................293

Часть III

AIRFLOW НА ПРАКТИКЕ ..........................................294

11

Лучшие практики ..............................................................................295

12

Эксплуатация Airflow в промышленном окружении ................................................................................................324

11.1 Написание чистых ОАГ .....................................................................296

Используйте соглашения о стилях ............................................296 Централизованное управление учетными данными ................300 Единообразно указывайте детали конфигурации.....................301 Избегайте вычислений в определении ОАГ ................................304 Используйте фабричные функции для генерации распространенных шаблонов ....................................................306 11.1.6 Группируйте связанные задачи с помощью групп задач ............310 11.1.7 Создавайте новые ОАГ для больших изменений ........................312 11.2 Проектирование воспроизводимых задач ..................................312 11.2.1 Всегда требуйте, чтобы задачи были идемпотентными ........312 11.2.2 Результаты задачи должны быть детерминированными .......313 11.2.3 Проектируйте задачи с использованием парадигмы функционального программирования ........................................313 11.3 Эффективная обработка данных ....................................................314 11.3.1 Ограничьте объем обрабатываемых данных ............................314 11.3.2 Инкрементальная загрузка и обработка ..................................316 11.3.3 Кешируйте промежуточные данные .........................................317 11.3.4 Не храните данные в локальных файловых системах ...............318 11.3.5 Переложите работу на внешние/исходные системы ................318 11.4 Управление ресурсами......................................................................319 11.4.1 Управление параллелизмом с помощью пулов ...........................319 11.4.2 Обнаружение задач с длительным временем выполнения с помощью соглашений об уровне предоставления услуг и оповещений ..............................................................................321 Резюме .............................................................................................................322 11.1.1 11.1.2 11.1.3 11.1.4 11.1.5

12.1 Архитектура Airflow ...........................................................................325

12.2

12.3

12.1.1 Какой исполнитель мне подходит? ...........................................327 12.1.2 Настройка базы метаданных для Airflow .................................328 12.1.3 Присмотримся к планировщику ................................................330 Установка исполнителей ..................................................................334 12.2.1 Настройка SequentialExecutor....................................................335 12.2.2 Настройка LocalExecutor ...........................................................335 12.2.3 Настройка CeleryExecutor ..........................................................336 12.2.4 Настройка KubernetesExecutor...................................................339 Работа с журналами всех процессов Airflow ................................347 12.3.1 Вывод веб-сервера ......................................................................347 12.3.2 Вывод планировщика .................................................................348

Содержание

11

12.3.3 Журналы задач ...........................................................................349 12.3.4 Отправка журналов в удаленное хранилище ............................350 12.4 Визуализация и мониторинг метрик Airflow ..............................350 12.4.1 Сбор метрик из Airflow ..............................................................351 12.4.2 Настройка Airflow для отправки метрик .................................353 12.4.3 Настройка Prometheus для сбора метрик .................................353 12.4.4 Создание дашбордов с Grafana ...................................................356 12.4.5 Что следует мониторить? .......................................................358 12.5 Как получить уведомление о невыполненной задаче ..............360 12.5.1 Оповещения в ОАГ и операторах ...............................................360 12.5.2 Определение соглашений об уровне предоставления услуги ...... 362 12.6 Масштабируемость и производительность .................................364 12.6.1 Контроль максимального количества запущенных задач.........365 12.6.2 Конфигурации производительности системы ..........................366 12.6.3 Запуск нескольких планировщиков ............................................367 Резюме .............................................................................................................368

13

Безопасность в Airflow ..................................................................369 13.1 Обеспечение безопасности веб-интерфейса Airflow ................370 13.2 13.3 13.4

13.1.1 Добавление пользователей в интерфейс RBAC .........................371 13.1.2 Настройка интерфейса RBAC ...................................................374 Шифрование хранимых данных.....................................................375 13.2.1 Создание ключа Fernet................................................................375 Подключение к службе LDAP ...........................................................377 13.3.1 Разбираемся с LDAP ...................................................................378 13.3.2 Извлечение пользователей из службы LDAP..............................380 Шифрование трафика на веб-сервер.............................................381 13.4.1 Разбираемся с протоколом HTTP ..............................................381 13.4.2 Настройка сертификата для HTTPS ........................................384

13.5 Извлечение учетных данных из систем управления секретами .............................................................................................388 Резюме .............................................................................................................392

14

Проект: поиск самого быстрого способа передвижения по Нью-Йорку....................................................393 14.1 Разбираемся с данными ...................................................................396

14.1.1 Файловый ресурс Yellow Cab .......................................................397 14.1.2 REST API Citi Bike .......................................................................397 14.1.3 Выбор плана подхода ..................................................................399 14.2 Извлечение данных ...........................................................................400 14.2.1 Скачиваем данные по Citi Bike ...................................................400 14.2.2 Загрузка данных по Yellow Cab ...................................................402 14.3 Применение аналогичных преобразований к данным ............405 14.4 Структурирование конвейера обработки данных .....................410 14.5 Разработка идемпотентных конвейеров обработки данных ....411 Резюме .............................................................................................................414

Содержание

12

Часть IV

15

ОБЛАКО ........................................................................................415

Airflow и облако ...................................................................................417 15.1 Проектирование стратегий (облачного) развертывания .........418 15.2 Операторы и хуки, предназначенные для облака......................420 15.3 Управляемые сервисы.......................................................................421

15.3.1 Astronomer.io ..............................................................................421 15.3.2 Google Cloud Composer................................................................422 15.3.3 Amazon Managed Workflows for Apache Airflow ..........................423 15.4 Выбор стратегии развертывания ...................................................423 Резюме .............................................................................................................425

16

Airflow и AWS .........................................................................................426 16.1 Развертывание Airflow в AWS ..........................................................426

Выбор облачных сервисов ...........................................................427 Проектирование сети................................................................428 Добавление синхронизации ОАГ .................................................430 Масштабирование с помощью CeleryExecutor ...........................430 Дальнейшие шаги .......................................................................432 Хуки и операторы, предназначенные для AWS ..........................432 16.1.1 16.1.2 16.1.3 16.1.4 16.1.5

16.2 16.3 Пример использования: бессерверное ранжирование фильмов с AWS Athena ......................................................................434

16.3.1 Обзор ..........................................................................................434 16.3.2 Настройка ресурсов ...................................................................435 16.3.3 Создание ОАГ..............................................................................438 16.3.4 Очистка .....................................................................................445 Резюме .............................................................................................................445

17

Airflow и Azure ......................................................................................446 17.1

17.2 17.3

Развертывание Airflow в Azure........................................................446

Выбор сервисов ...........................................................................447 Проектирование сети................................................................448 Масштабирование с помощью CeleryExecutor ...........................449 Дальнейшие шаги .......................................................................450 Хуки и операторы, предназначенные для Azure ......................... 451

17.1.1 17.1.2 17.1.3 17.1.4

Пример: бессерверное ранжирование фильмов с Azure Synapse ..................................................................................................452

17.3.1 Обзор ..........................................................................................452 17.3.2 Настройка ресурсов ...................................................................453 17.3.3 Создание ОАГ..............................................................................457 17.3.4 Очистка .....................................................................................463 Резюме .............................................................................................................464

18

Airflow в GCP ..........................................................................................465 18.1 Развертывание Airflow в GCP ..........................................................465

18.1.1 Выбор сервисов ...........................................................................466 18.1.2 Развертывание в GKE с помощью Helm .....................................468

Содержание

13

18.1.3 Интеграция с сервисами Google.................................................471 18.1.4 Проектирование сети................................................................472 18.1.5 Масштабирование с помощью CeleryExecutor ...........................473 Хуки и операторы, предназначенные для GCP ...........................476

18.2 18.3 Пример использования: бессерверный рейтинг фильмов в GCP......................................................................................................481

18.3.1 Загрузка в GCS ............................................................................481 18.3.2 Загрузка данных в BigQuery........................................................483 18.3.3 Извлечение рейтингов, находящихся в топе .............................485 Резюме .............................................................................................................488

Приложение A Запуск примеров кода .......................................................................490 Приложение В Структуры пакетов Airflow 1 и 2 ..................................................494 Приложение С

Сопоставление метрик в Prometheus ............................................498 Предметный указатель ..................................................................500

Предисловие Нам обоим посчастливилось работать инженерами по обработке данных в интересные и трудные времена. Хорошо это или плохо, но многие компании и организации осознают, что данные играют ключевую роль в управлении их операциями и их улучшении. Последние разработки в области машинного обучения и искусственного интеллекта открыли множество новых возможностей для извлечения выгоды. Однако внедрение процессов, ориентированных на данные, часто бывает затруднительным, поскольку обычно требуется координировать работу в различных гетерогенных системах и связывать все воедино аккуратно и своевременно для последующего анализа или развертывания продукта. В 2014 году инженеры Airbnb осознали проблемы управления сложными рабочими процессами данных внутри компании. Чтобы разрешить их, они приступили к разработке Airflow: решения с открытым исходным кодом, позволяющего писать и планировать рабочие процессы, а также отслеживать их выполнение с помощью встроенного веб-интерфейса. Успех этого проекта быстро привел к тому, что его приняли в рамках Apache Software Foundation, сначала в качестве проекта инкубатора в 2016 году, а затем в качестве проекта верхнего уровня в 2019 году. В  результате многие крупные компании теперь используют Airflow для управления многочисленными критически важными процессами обработки данных. Работая консультантами в  GoDataDriven, мы помогли клиентам внедрить Airflow в качестве ключевого компонента в проектах, связанных с  созданием озер и  платформ данных, моделей машинного обучения и т. д. При этом мы поняли, что передача этих решений может быть непростой задачей, поскольку такие сложные инструменты, как Airflow, трудно освоить в одночасье. По этой причине мы также разработали программу по обучению Airflow в GoData-Driven, часто

Предисловие

15

организовывали семинары и  участвовали в  них, чтобы поделиться своими знаниями, мнениями и даже пакетами с открытым исходным кодом. В совокупности эти усилия помогли нам изучить тонкости работы с Airflow, которые не всегда было легко понять, используя доступную нам документацию. В этой книге мы хотим предоставить исчерпывающее введение в  Airflow, которое охватывает все, от построения простых рабочих процессов до разработки собственных компонентов и проектирования / управления развертываниями Airflow. Мы намерены дополнить блоги и  другую онлайн-документацию, объединив несколько тем в одном месте в кратком и понятном формате. Тем самым мы надеемся придать вам стимул в работе с Airflow, опираясь на опыт, который мы накопили, и преодолевая трудности, с которыми мы столкнулись за последние годы.

Благодарности Выход этой книги был бы невозможен без поддержки множества замечательных людей. Коллеги из GoDataDriven и наши друзья поддерживали нас и  предоставили ценные предложения и  важные наблюдения. Кроме того, читатели, члены программы Manning Early Access Program (MEAP), оставили полезные комментарии на онлайн-форуме. Рецензенты, участвовавшие в  процессе подготовки издания, также предоставили полезные отзывы: Эл Кринкер, Клиффорд Тербер, Дэниел Ламблин, Дэвид Криф, Эрик Платон, Фелипе Ортега, Джейсон Рендель, Джереми Чен, Джири Пик, Джонатан Вуд, Картик Сирасанагандла, Кент Р. Спиллнер, Лин Чен, Филип Бест, Филип Паттерсон, Рамбабу Поза, Ричард Мейнсен, Роберт Г. Гимбель, Роман Павлов, Сальваторе Кампанья, Себастьян Пальма Мардонес, Торстен Вебер, Урсин Стаусс и Влад Навицкий. Мы выражаем особую благодарность Брайану Сойеру из издательства Manning, редактору отдела закупок, который помог нам сформировать первоначальную заявку на издание этой книги и поверил, что мы сможем довести дело до конца; Трише Лувар, нашему редакторуконсультанту по аудитории, которая очень терпеливо отвечала на все наши вопросы, давала важные отзывы по каждой из наших черновиков глав и была для нас важным проводником на протяжении всего пути; а  также остальным сотрудникам: редактору проекта Дейрдре Хиам; редактору Мишель Митчелл; корректору Кери Хейлз и техническому корректору Элу Кринкеру.

Бас Харенслак Я хотел бы поблагодарить своих друзей и семью за их терпение и поддержку в течение этого приключения, длившегося полтора года, которое превратилось из второстепенного проекта в бесчисленное количество дней, ночей и выходных. Стефани, спасибо за то, что все время терпела меня, пока я работал за компьютером. Мириам, Герд и Лотте,

Благодарности

17

спасибо за то, что терпели меня и  верили в  меня, пока я  писал эту книгу. Я также хотел бы поблагодарить команду GoDataDriven за их поддержку и стремление всегда учиться и совершенствоваться. Пять лет назад я и представить себе не мог, когда начал работать, что стану автором книги.

Джулиан де Руйтер Прежде всего я хотел бы поблагодарить свою жену Анн Полин и сына Декстера за их бесконечное терпение в течение многих часов, которые я потратил на то, чтобы «еще немного поработать» над книгой. Эта книга была бы невозможна без их непоколебимой поддержки. Также хотел бы поблагодарить нашу семью и друзей за их поддержку и доверие. Наконец, хочу сказать спасибо нашим коллегам из GoDataDriven за их советы и поддержку, от которых я также многому научился за последние годы.

О книге Эта книга была написана, чтобы помочь вам реализовать рабочие процессы (или конвейеры), ориентированные на обработку данных с помощью Airflow. Она начинается с концепций и механики, участвующих в  программном построении рабочих процессов для Apache Airflow с использованием языка программирования Python. Затем мы переходим к более подробным темам, таким как расширение Airflow путем создания собственных компонентов и всестороннего тестирования рабочих процессов. Заключительная часть книги посвящена проектированию и  управлению развертывания Airflow, затрагивая такие темы, как безопасность и проектирование архитектур для облачных платформ.

Кому адресована эта книга Эта книга написана для специалистов и инженеров по обработке данных, которые хотят разрабатывать базовые рабочие процессы в Airflow, а также для инженеров, интересующихся более сложными темами, такими как создание собственных компонентов для Airflow или управление развертываниями Airflow. Поскольку рабочие процессы и компоненты Airflow построены на языке Python, мы ожидаем, что у  читателей имеется промежуточный опыт программирования на Python (т. е. они хорошо умеют создавать функции и классы Python, имеют представление о таких понятиях, как * args и ** kwargs и т. д.). Также будет полезен опыт работы с  Docker, поскольку большинство примеров кода запускаются с использованием Docker (хотя при желании их можно запускать локально).

О книге

19

Структура книги Книга состоит из четырех разделов, которые охватывают 18 глав. Часть I посвящена основам Airflow. В  ней объясняется, что такое Airflow, и изложены его основные концепции: „ в главе 1 обсуждается концепция рабочих процессов / конвейеров обработки данных и их создание с помощью Apache Airflow. В ней также рассказывается о преимуществах и недостатках Airflow по сравнению с другими решениями, в том числе приводятся ситуации, при которых вы, возможно, не захотите использовать Apache Airflow; „ глава 2 посвящена базовой структуре конвейеров в Apache Airflow (также известных как ОАГ), с  объяснением различных задействованных компонентов и их совместимости; „ в главе 3 показано, как использовать Airflow для планирования работы конвейеров через повторяющиеся промежутки времени, чтобы можно было (например) создавать конвейеры, которые постепенно загружают новые данные с течением времени. В этой главе также рассматриваются тонкости механизма планирования Airflow, который часто является источником путаницы; „ в главе 4 показано, как использовать механизмы создания шаблонов в  Airflow для динамического включения переменных в определения конвейера. Это позволяет ссылаться на такие вещи, как даты выполнения расписания в конвейерах; „ в главе 5 демонстрируются различные подходы к определению отношений между задачами в конвейерах, что позволяет создавать более сложные структуры конвейеров с ветками, условными задачами и общими переменными. В части II подробно рассматривается использование более сложных тем, включая взаимодействие с внешними системами, создание собственных компонентов и разработку тестов для ваших конвейеров: „ в главе 6 показано, как запускать рабочие процессы другими способами, не связанными с фиксированным расписанием, такими как загрузка файлов или вызов по протоколу HTTP; „ в главе 7 демонстрируются рабочие процессы с  использованием операторов, которые управляют различными задачами вне Airflow, что позволяет создавать поток событий через системы, которые не связаны между собой; „ в главе 8 объясняется, как создавать собственные компоненты для Airflow, которые позволяют повторно использовать функциональные возможности в разных конвейерах или интегрироваться с системами, не поддерживающими встроенные функции Airflow; „ в главе 9 обсуждаются различные варианты тестирования рабочих процессов Airflow, затрагиваются свойства операторов и способы их применения во время тестирования;

О книге

20

в главе 10 показано, как использовать рабочие процессы на базе контейнеров для выполнения задач конвейера в Docker или Kubernetes, а также обсуждаются преимущества и недостатки этих подходов. Часть III посвящена применению Airflow на практике и затрагивает такие темы, как передовые методы, запуск и обеспечение безопасности Airflow и последний демонстрационный пример: „ в главе 11 рассказывается о передовых методах построения конвейеров, которые помогут вам разрабатывать и внедрять эффективные и удобные в сопровождении решения; „ в главе 12 подробно описано несколько тем, которые необходимо учитывать при запуске Airflow в промышленном окружении, например архитектуры для горизонтального масштабирования, мониторинга, журналирования и оповещений; „ в главе 13 обсуждается, как обезопасить установку Airflow, чтобы избежать нежелательного доступа и  минимизировать воздействие в случае взлома; „ в главе 14 показан пример проекта Airflow, в  котором мы периодически обрабатываем поездки с  использованием сервисов Yellow Cab и Citi Bikes по Нью-Йорку, чтобы определить самый быстрый способ передвижения между районами. В части IV исследуется, как запускать Airflow в облачных платформах. Она включает такие темы, как проектирование развертываний Airflow для облачных платформ и использование встроенных операторов для взаимодействия с облачными сервисами: „ в главе 15 дается общее введение, в  котором рассказывается, какие компоненты Airflow участвуют в (облачных) развертываниях, представлена идея, лежащая в  основе облачных компонентов, встроенных в Airflow, и рассматриваются варианты самостоятельной реализации развертывания в облаке в сравнении с использованием управляемого решения; „ глава 16 посвящена облачной платформе Amazon AWS. Здесь рассказывается о решениях для развертывания Airflow на AWS и демонстрируется, как применять определенные компоненты для использования сервисов AWS; „ в главе 17 разрабатываются развертывания и демонстрируются облачные компоненты для платформы Microsoft Azure; „ в главе 18 рассматриваются развертывания и облачные компоненты для платформы Google GCP. Тем, кто плохо знаком с Airflow, следует прочитать главы 1 и 2, чтобы получить внятное представление о том, что такое Airflow, и его возможностях. В главах 3–5 представлена важная информация об основных функциях Airflow. В  остальной части книги обсуждаются такие темы, как создание собственных компонентов, тестирование, передовые практики и развертывание, и ее можно читать в произвольном порядке в зависимости от конкретных потребностей читателя. „

О книге

21

О коде Весь исходный код в  листингах или тексте набран моноширинным шрифтом, чтобы отделить его от обычного текста. Иногда также используется жирный шрифт, чтобы выделить код, который изменился по сравнению с предыдущими шагами в главе, например когда к существующей строке кода добавляется новая функция. Во многих случаях оригинальный исходный код был переформатирован; мы добавили разрывы строк и переработали отступы, чтобы уместить их по ширине книжных страниц. В редких случаях, когда этого оказалось недостаточно, в листинги были добавлены символы продолжения строки (➥). Кроме того, комментарии в исходном коде часто удаляются из листингов, когда описание кода приводится в тексте. Некоторые листинги сопровождают аннотации, выделяющие важные понятия. Ссылки на элементы в  коде, сценарии или определенные классы, переменные и значения Airflow часто выделяются курсивом, чтобы их было легче отличить от окружающего текста. Исходный код всех примеров и  инструкции по их запуску с  помощью Docker и  Docker Compose доступны в  нашем репозитории GitHub (https://github.com/BasPH/data-pipelines-with-apache-airflow), а также на сайте издательства «ДМК Пресс» www.dmkpress.com на странице с описанием соответствующей книги. ПРИМЕЧАНИЕ В приложении A представлены более подробные инструкции по запуску примеров кода. Все примеры кода были протестированы с  использованием Airflow 2.0. Большинство примеров также следует запускать в более старых версиях Airflow (1.10) с небольшими изменениями. Там, где это возможно, мы включили встроенные указатели, как это сделать. Чтобы вам было легче учитывать различия в путях импорта между Airflow 2.0 и 1.10, в приложении B представлен обзор измененных путей импорта.

Отзывы и пожелания Мы всегда рады отзывам наших читателей. Расскажите нам, что вы думаете об этой книге, – что понравилось или, может быть, не понравилось. Отзывы важны для нас, чтобы выпускать книги, которые будут для вас максимально полезны. Вы можете написать отзыв на нашем сайте www.dmkpress.com, зайдя на страницу книги и оставив комментарий в разделе «Отзывы и рецензии». Также можно послать письмо главному редактору по адресу [email protected]; при этом укажите название книги в теме письма.

О книге

22

Если вы являетесь экспертом в какой-либо области и заинтересованы в написании новой книги, заполните форму на нашем сайте по адресу http://dmkpress.com/authors/publish_book/ или напишите в издательство по адресу [email protected].

Список опечаток Хотя мы приняли все возможные меры для того, чтобы обеспечить высокое качество наших текстов, ошибки все равно случаются. Если вы найдете ошибку в одной из наших книг, мы будем очень благодарны, если вы сообщите о ней главному редактору по адресу dmkpress@ gmail.com. Сделав это, вы избавите других читателей от недопонимания и поможете нам улучшить последующие издания этой книги.

Нарушение авторских прав Пиратство в интернете по-прежнему остается насущной проблемой. Издательства «ДМК Пресс» и Manning Publications очень серьезно относятся к вопросам защиты авторских прав и лицензирования. Если вы столкнетесь в интернете с незаконной публикацией какой-либо из наших книг, пожалуйста, пришлите нам ссылку на интернет-ресурс, чтобы мы могли применить санкции. Ссылку на подозрительные материалы можно прислать по адресу электронной почты [email protected]. Мы высоко ценим любую помощь по защите наших авторов, благодаря которой мы можем предоставлять вам качественные материалы.

Об авторах БАС ХАРЕНСЛАК  – инженер по обработке данных в  GoDataDriven, компании, занимающейся разработкой решений на основе данных, расположенной в  Амстердаме, Нидерланды. Имея опыт разработки программного обеспечения и  информатики, он любит работать над программным обеспечением и данными, как если бы они были сложными головоломками. Он предпочитает работать над ПО с открытым исходным кодом, участвует в проекте Apache Airflow и является одним из организаторов семинара Amsterdam Airflow. ДЖУЛИАН ДЕ РУИТЕР – инженер машинного обучения, имеет опыт работы в области компьютерных наук и наук о жизни, а также имеет докторскую степень в области вычислительной биологии рака. Будучи опытным разработчиком программного обеспечения, он любит соединять миры науки о  данных и  инженерии, используя облачное программное обеспечение и программное обеспечение с открытым исходным кодом для разработки решений машинного обучения, готовых к промышленной эксплуатации. В свободное время он с удовольствием разрабатывает собственные пакеты Python, участвует в проектах с открытым исходным кодом и возится с электроникой.

Об иллюстрации на  обложке Рисунок на обложке называется «Femme de l’Isle de Siphanto», или Женщина с острова Сифанто. Иллюстрация взята из коллекции костюмов разных стран Жака Грассе де Сен-Совера (1757–1810), «Costumes de Différents Pays», изданной во Франции в 1797 году. Каждая иллюстрация нарисована и  раскрашена вручную. Богатое разнообразие коллекции Грассе де Сен-Совера наглядно напоминает нам о том, насколько обособленными в культурном отношении были города и регионы мира всего 200 лет назад. Изолированные друг от друга люди говорили на разных диалектах и  языках. На улице или в деревне было легко определить, где они живут и  чем занимаются или каково их положение в обществе, по их одежде. С тех пор наша манера одеваться изменилась, а разнообразие регионов, столь богатых в  то время, исчезло. Сейчас трудно отличить жителей разных континентов, не говоря уже о разных городах, регионах или странах. Возможно, если смотреть на это оптимистично, мы обменяли культурное и  визуальное разнообразие на более разнообразную частную жизнь или более разнообразную интеллектуальную и техническую жизнь. Мы в Manning высоко ценим изобретательность, инициативу и, конечно, радость от компьютерного бизнеса с  книжными обложками, основанными на разнообразии жизни в разных регионах два века назад, которое оживает благодаря рисункам Грассе де Сен-Совера.

Часть I Приступаем к работе Э

та часть подготовит почву на пути к  созданию конвейеров для всех видов процессов обработки данных с  использованием Apache Airflow. Первые две главы нацелены на то, чтобы предоставить вам обзор того, что такое Airflow и что он умеет. В главе 1 мы рассмотрим концепции конвейеров обработки данных и  обозначим роль, которую выполняет Apache Airflow, помогая реализовать их. Чтобы оправдать ожидания, мы также сравним Airflow с другими технологиями и обсудим, когда он может или не может быть подходящим решением для вашего конкретного случая использования. Далее, в  главе  2, вы узнаете, как реализовать свой первый конвейер в  Airflow. После его создания мы также рассмотрим, как запустить конвейер и  отслеживать его выполнение с  помощью вебинтерфейса Airflow. В главах 3–5 более подробно рассматриваются ключевые концепции Airflow, чтобы вы могли получить внятное представление об основных функциях Airflow. Глава 3 посвящена семантике планирования, которое позволяет настроить Airflow для запуска конвейеров через равные промежутки времени. Это дает возможность (например) писать конвейеры, которые эффективно загружают и обрабатывают данные ежедневно, еженедельно или ежемесячно. Далее, в главе 4, мы обсудим механизмы шаблонизации в Airflow, которые позволяют динамически ссылаться на такие переменные, как даты выполнения, в ваших конвейерах. Наконец, в главе 5 мы рассмотрим различные подходы к определению

26

Приступаем к работе

зависимостей задач в  конвейерах, которые позволяют определять сложные иерархии задач, включая условные задачи, ветви и т. д. Если вы новичок в Airflow, то рекомендуем убедиться, что вы понимаете основные концепции, описанные в главах 3–5, поскольку они являются ключом к его эффективному использованию. Семантика планирования Airflow (описанная в главе 3) может сбивать с толку новичков, поскольку при первом знакомстве эта тема может показаться не совсем логичной. После завершения части I вы должны быть достаточно подготовлены для написания собственных базовых конвейеров в Apache Airflow и быть готовыми погрузиться в более сложные темы, описанные в частях II–IV.

1

Знакомство с Apache Airflow

Эта глава: демонстрирует, как представить конвейеры обработки данных в рабочих процессах в виде графов задач; „ рассказывает, какое место занимает Airflow в экосистеме инструментов управления рабочими процессами; „ поможет определить, подходит ли вам Airflow. „

Люди и компании все чаще ориентируются на данные и разрабатывают конвейеры обработки данных как часть своей повседневной деятельности. Объемы данных, задействованных в этих бизнес-процессах, за последние годы значительно увеличились – с  мегабайтов в день до гигабайтов в минуту. Хотя обработка такого потока данных может показаться серьезной проблемой, с этими растущими объемами можно справиться с помощью соответствующих инструментов. В этой книге основное внимание уделяется Apache Airflow, фреймворку для построения конвейеров обработки данных. Ключевая особенность Airflow заключается в том, что он позволяет легко создавать конвейеры обработки данных, запускаемых по расписанию, с использованием гибкой платформы Python, а также предоставляет множество строительных блоков, которые позволяют объединить огромное количество различных технологий, встречающихся в  современных технологических ландшафтах.

Глава 1

28

Знакомство с Apache Airflow

Airflow очень напоминает паука, сидящего у себя в паутине: он находится в центре ваших процессов обработки данных и координирует работу, происходящую в различных (распределенных) системах. Таким образом, Airflow сам по себе не является инструментом обработки данных. Он управляет различными компонентами, которые отвечают за обработку ваших данных в конвейерах. В этой главе мы сначала дадим краткое введение в конвейеры обработки данных в  Apache Airflow. После этого обсудим ряд соображений, которые следует учитывать при оценке того, подходит ли вам Airflow, и опишем первые шаги по работе с ним.

1.1

Знакомство с конвейерами обработки данных Обычно конвейеры обработки данных состоят из нескольких задач или действий, которые необходимо выполнить для достижения желаемого результата. Например, предположим, что нам нужно создать небольшое приложение для отображения прогноза погоды на неделю вперед (рис. 1.1). Чтобы реализовать такое приложение, отображающее прогноз в реальном времени, необходимо выполнить следующие шаги: 1 Получить данные прогноза погоды из API погоды. 2 Отфильтровать и преобразовать полученные данные (например, перевести температуру из шкалы Фаренгейта в шкалу Цельсия или наоборот), чтобы данные соответствовали нашей цели. 3 Передать преобразованные данные в приложение. Извлечение и очистка данных API погоды

Панель управления

Рис. 1.1 Приложение для отображения прогноза погоды, извлекающее данные из внешнего API и отображающее их в своем интерфейсе

Как видите, этот относительно простой конвейер уже состоит из трех разных задач, каждая из которых выполняет свою часть работы. Более того, эти задачи необходимо выполнять в  определенном порядке, поскольку (например) нет смысла пытаться преобразовать данные перед их получением. Точно так же нельзя отправлять новые данные в приложение, пока они не претерпят необходимые преобразования. Таким образом, мы должны убедиться, что этот неявный порядок задач также применяется при запуске данного процесса обработки данных.

29

Знакомство с конвейерами обработки данных

1.1.1 Конвейеры обработки данных как графы Один из способов сделать зависимости между задачами более явными  – нарисовать конвейер обработки данных в  виде графа. В  этом представлении задачам соответствуют узлы графа, а  зависимостям между задачами – направленные ребра между узлами задач. Направление ребра указывает направление зависимости, то есть ребро, направленное от задачи A к  задаче B, указывает, что задача A должна быть завершена до того, как может начаться задача B. Такие графы обычно называются ориентированными, или направленными, потому что ребра имеют направление. Применительно к  нашему приложению отображения погоды граф обеспечивает довольно точное представление всего конвейера (рис. 1.2). Просто бегло взглянув на граф, можно увидеть, что наш конвейер состоит из трех разных задач. Помимо этого, направление ребер четко указывает порядок, в котором должны выполняться задачи, достаточно просто проследовать за стрелками. Извлекаем прогноз погоды

Очистка данных о прогнозе

Помещаем данные в панель управления

Легенда Узел задачи

Зависимость задачи

Рис. 1.2 Графовое представление конвейера обработки данных в приложении отображения погоды. Узлы обозначают задачи, а направленные ребра – зависимости между задачами (ребро, направленное от задачи A к задаче B, указывает, что задача A должна быть выполнена раньше задачи B)

Данный тип графа обычно называется ориентированным ациклическим графом (ОАГ), поскольку он содержит ориентированные ребра и  у  него нет никаких петель или циклов (ациклический). Такое ациклическое свойство чрезвычайно важно, так как оно предотвращает возникновение циклических зависимостей (рис.  1.3) между задачами (где задача A зависит от задачи B и наоборот). Эти циклические зависимости становятся проблемой при попытке выполнить граф, поскольку мы сталкиваемся с  ситуацией, когда задача 2 может выполняться только после завершения задачи 3, а  задача 3 может выполняться только после завершения задачи 2. Такая логическая непоследовательность приводит к тупиковой ситуации, при которой ни задача 2, ни задача 3 не могут быть запущены, что мешает выполнить граф. Обратите внимание, что это представление отличается от представлений циклических графов, которые могут содержать циклы для иллюстрации итеративных частей алгоритмов (например), как это

Глава 1

30

Знакомство с Apache Airflow

обычно бывает во многих приложениях для машинного обучения. Однако ацикличность ОАГ используется Airflow (и многими другими инструментами управления рабочими процессами) для эффективного разрешения и выполнения этих графов задач. Ориентированный ациклический граф задач Задача 1

Задача 2

Задача 3

Ориентированный циклический граф задач Задача 1

Задача 2

Задача 3

Задача 2 так и не будет выполнена из-за того, что зависит от задачи 3, которая, в свою очередь, зависит от задачи 2

Рис. 1.3 Циклы на графах препятствуют выполнению задачи из-за круговой зависимости. В ациклических графах (вверху) есть четкий путь для выполнения трех разных задач. Однако в циклических графах (внизу) четкого пути выполнения уже нет из-за взаимозависимости между задачами 2 и 3

1.1.2 Выполнение графа конвейера Прекрасное свойство этого представления состоит в  том, что он предоставляет относительно простой алгоритм, который можно использовать для запуска конвейера. Концептуально этот алгоритм состоит из следующих шагов: 1 Для каждой открытой (= незавершенной) задачи в графе выполните следующие действия: „ для каждого ребра, указывающего на задачу, проверьте, завершена ли «вышестоящая» задача на другом конце ребра; „ если все вышестоящие задачи были выполнены, добавьте текущую задачу в очередь для выполнения. 2 Выполните задачи в очереди, помечая их как выполненные, как только они сделают свою работу. 3 Вернитесь к шагу 1 и повторите действия, пока все задачи в графе не будут выполнены. Чтобы увидеть, как это работает, проследим за выполнением конвейера в нашем приложении (рис. 1.4). В первой итерации нашего алгоритма мы видим, что задачи очистки и отправки данных зависят от вышестоящих задач, которые еще не завершены. Таким образом, зависимости этих задач не удовлетворены, и их нельзя добавить в очередь выполнения. Однако у задачи извлечения данных нет входящих ребер, а это означает, что у нее нет неудовлетворенных вышестоящих зависимостей и, следовательно, ее можно добавить в очередь выполнения.

31

Знакомство с конвейерами обработки данных Цикл 1 Задача готова к выполнению; неудовлетворенных зависимостей нет Очистка данных о прогнозе

Извлекаем прогноз погоды

Цикл 2

Задача завершена

Помещаем данные в панель управления

Теперь задача готова к выполнению, Еще не готова к выполнению; по-прежнему есть поскольку ее вышестоящая неудовлетворенные зависимости зависимость удовлетворена

Извлекаем прогноз погоды

Очистка данных о прогнозе

Цикл 3

Задача завершена Извлекаем прогноз погоды

Помещаем данные в панель управления

Задача готова к выполнению

Очистка данных о прогнозе

Помещаем данные в панель управления

Очистка данных о прогнозе

Помещаем данные в панель управления

Конечное состояние

Извлекаем прогноз погоды

Легенда Открытая задача Выполненная задача

Неудовлетворенная зависимость Удовлетворенная зависимость

Рис. 1.4 Использование структуры ОАГ для выполнения задач в конвейере обработки данных в правильном порядке: здесь показано, как меняется состояние каждой задачи в каждой итерации алгоритма, что приводит к завершению выполнения конвейера (конечное состояние)

После завершения задачи извлечения данных можно перейти ко второй итерации и  исследовать зависимости задач очистки и  отправки данных. Теперь мы видим, что задачу очистки можно выполнить, поскольку ее вышестоящая зависимость удовлетворена (задача извлечения данных выполнена). Таким образом, ее можно добавить в  очередь выполнения. Задачу отправки данных нельзя добавить в очередь, поскольку она зависит от задачи очистки, которую мы еще не запускали. В третьей итерации, после завершения задачи очистки, задача отправки данных наконец готова к выполнению, поскольку ее вышестоящая зависимость от задачи очистки теперь удовлетворена. В результате мы можем добавить задачу в очередь на выполнение. После того как задача отправки данных завершится, у нас не останется задач для выполнения, и выполнение всего конвейера прекратится.

Глава 1

32

Знакомство с Apache Airflow

1.1.3 Графы конвейеров и последовательные сценарии Хотя графовое представление конвейера обеспечивает интуитивно понятный обзор задач в конвейере и их зависимостей, вы можете задаться вопросом, почему бы просто не использовать простой сценарий для выполнения этой линейной цепочки из трех шагов. Чтобы проиллюстрировать преимущества подхода на базе графа, перейдем к более крупному примеру. Здесь к нам обратился владелец компании по производству зонтов, которого вдохновило наше приложение для отображения погоды и теперь он хотел бы попробовать использовать машинное обучение для повышения эффективности работы своей компании. Владельцу компании хотелось бы, чтобы мы реализовали конвейер обработки данных, который создает модель машинного обучения, увязывающую продажи зонтов с погодными условиями. Затем эту модель можно использовать для прогнозирования спроса на зонты в ближайшие недели в зависимости от прогноза погоды на это время (рис. 1.5).

API погоды

Извлечение и очистка данных

Извлечение и очистка данных

Объединяем наборы данных

Обучаем модель

Прогнозируем продажы зонтов

Данные о продажах

Рис. 1.5 Приложение оценки спроса на зонты, в котором предыдущие данные о погоде и продажах используются для обучения модели, прогнозирующей объем продаж в зависимости от прогноза погоды

Чтобы создать конвейер для обучения такой модели, нужно реализовать следующие шаги. 1 Подготовьте данные о продажах, выполнив такие действия: „ получите данные о продажах из исходной системы; „ выполните очистку/преобразование данных о продажах в соответствии с требованиями. 2 Подготовьте данные о погоде, выполнив следующие действия: „ получите данные прогноза погоды из API; „ выполните очистку/преобразование данных о погоде в соответствии с требованиями. 3 Объедините наборы данных о продажах и погоде, чтобы создать объединенный набор данных, который можно использовать в  качестве входных данных для создания модели машинного обучения.

33

Знакомство с конвейерами обработки данных

Обучите модель, используя объединенный набор данных. Разверните модель, чтобы ее можно было использовать в бизнесе. Данный конвейер может быть представлен с использованием того же графового представления, которое мы использовали раньше, путем изображения задач в виде узлов и зависимостей данных между задачами в виде ребер. Одно из важных отличий от нашего предыдущего примера состоит в том, что первые этапы этого конвейера (получение и очистка данных о погоде и продажах) фактически независимы друг от друга, поскольку включают в себя два отдельных набора данных. Это ясно иллюстрируется двумя отдельными ветвями в графовом представлении конвейера (рис.  1.6), которые могут выполняться параллельно, если мы применяем наш алгоритм выполнения графа, лучше используя доступные ресурсы и  потенциально уменьшая время работы конвейера по сравнению с последовательным выполнением задач. 4 5

Извлечение прогноза погоды

Очистка данных по прогнозу Объединение наборов данных

Извлечение данных о продажах

Тренировка модели машинного обучения

Развертывание модели машинного обучения

Очистка данных о продажах

Рис. 1.6 Отсутствие зависимости между задачами, касающимися продаж и погоды в графовом представлении конвейера обработки данных для модели прогноза погоды, для оценки, каким будет спрос на зонты. Два набора задач извлечения и очистки данных независимы, поскольку включают в себя два разных набора данных (наборы данных о погоде и продажах). На эту независимость указывает отсутствие границ между двумя наборами задач

Еще одно полезное свойство графового представления состоит в том, что оно четко разделяет конвейеры на небольшие инкрементные задачи, вместо того чтобы иметь один монолитный сценарий или процесс, который выполняет всю работу. Хотя наличие одного сценария может поначалу казаться не такой уж большой проблемой, это может привести к неэффективности, когда задачи в конвейере будут давать сбой, поскольку нам пришлось бы перезапускать весь сценарий. Напротив, в  графовом представлении нужно перезапустить только все неудачные задачи (и все нижестоящие зависимости).

1.1.4 Запуск конвейера с помощью диспетчеров рабочих процессов Конечно, задача построения графов зависимых задач вряд ли является новой проблемой. За прошедшие годы было разработано множество решений для т. н. «управления рабочими процессами», чтобы

34

Глава 1

Знакомство с Apache Airflow

справиться с ней. Обычно эти решения позволяют определять и выполнять графы задач как рабочие процессы или конвейеры. В табл. 1.1 перечислены некоторые известные диспетчеры рабочих процессов, о которых вы, возможно, слышали.

Python Есть Go Третья сторонаc Java Есть Java Нет Python Нет C Нет

Azkaban LinkedIn YAML Conductor Netflix JSON Luigi Spotify Python Make Собственный предметноориентированный язык Metaflow Netflix Python Python Нет Nifi NSA Пользовательский Java Есть интерфейс Oozie XML Java Есть

Горизонтальная масштабируемость

Платформа для установки

Пользовательский интерфейсb

Бэкфиллинг (обратное заполнение)

Планирование

Способ определения рабочих Название Созданa процессов Airflow Airbnb Python Argo Applatix YAML

Написан на

Таблица 1.1 Обзор известных диспетчеров рабочих процессов и их основных характеристик

Есть

Есть Любая Есть Есть Kubernetes Есть

Нет Есть Нет

Есть Есть Есть Нет

Любая Любая Любая Любая

Есть Есть Нет

Нет

Нет Любая Есть Любая

Есть Есть

Есть

Есть Hadoop

Есть

Некоторые инструменты изначально были созданы (бывшими) сотрудниками компании; однако все они имеют открытый исходный код и не представлены одной отдельной компанией. b Качество и возможности пользовательских интерфейсов сильно различаются. c https://github.com/bitphy/argo-cron.

a

Хотя у каждого из этих диспетчеров имеются свои сильные и слабые стороны, все они предоставляют схожие базовые функции, позволяющие определять и  запускать конвейеры, содержащие несколько задач с зависимостями. Одно из ключевых различий между этими инструментами заключается в том, как они определяют свои рабочие процессы. Например, такие инструменты, как Oozie, используют статические (XML) файлы для их определения, что обеспечивает понятный рабочий процесс, но ограниченную гибкость. Другие решения, такие как Luigi и  Airflow, позволяют определять рабочие процессы как код, что дает бóльшую гибкость, но может представлять сложность для чтения и тестирования (в зависимости от навыков программирования у человека, реализующего процесс).

Представляем Airflow

35

Другие ключевые различия заключаются в объеме функций, предоставляемых диспетчером. Например, такие инструменты, как Make и Luigi, не предоставляют встроенной поддержки для планирования рабочих процессов, а  это означает, что вам понадобится дополнительный инструмент, например Cron, если вы хотите запускать рабочий процесс с регулярным расписанием. Другие инструменты могут предоставлять дополнительные функции, такие как планирование, мониторинг, удобные веб-интерфейсы и т. д., встроенные в платформу. Это означает, что вам не нужно самостоятельно объединять несколько инструментов, чтобы получить эти функции. В целом выбор правильного решения для управления рабочим процессом, отвечающего вашим потребностям, потребует тщательного рассмотрения ключевых особенностей различных решений и  того, насколько они соответствуют вашим требованиям. В следующем разделе мы подробнее рассмотрим Airflow, о котором и идет речь в этой книге, и  изучим несколько ключевых функций, которые делают его особенно подходящим для обработки процессов или конвейеров, ориентированных на данные.

1.2

Представляем Airflow В этой книге речь идет о Airflow, решении с открытым исходным кодом для разработки и мониторинга рабочих процессов. В данном разделе мы рассмотрим, в общих чертах, что делает Airflow, после чего перейдем к более подробному изучению того, подходит ли он вам.

1.2.1 Определение конвейеров в коде (Python) гибким образом Подобно другим диспетчерам рабочих процессов, Airflow позволяет определять конвейеры или рабочие процессы как ОАГ задач. Эти графы очень похожи на примеры, обозначенные в предыдущем разделе, где задачи определены как узлы в графе, а зависимости – как направленные ребра между задачами. В Airflow ОАГ определяются с  помощью кода на языке Python в файлах, которые по сути являются сценариями Python, описывающими структуру соответствующего ОАГ. Таким образом, каждый файл ОАГ обычно описывает набор задач для данного графа и зависимости между задачами, которые затем анализируются Airflow для определения структуры графа (рис.  1.7). Помимо этого, эти файлы обычно содержат некоторые дополнительные метаданные о  графе, сообщающие Airflow, как и когда он должен выполняться, и так далее. Подробнее об этом мы поговорим в следующем разделе. Одно из преимуществ определения ОАГ Airflow в коде Python состоит в  том, что этот программный подход обеспечивает большую гибкость при создании графа. Например, как будет показано позже,

Глава 1

36

Знакомство с Apache Airflow

вы можете использовать код Python для динамической генерации дополнительных задач в зависимости от определенных условий или даже для генерации целых графов на основе внешних метаданных либо файлов конфигурации. Такая гибкость дает возможность настраивать способ построения конвейеров, позволяя настроить Airflow в  соответствии с  вашими потребностями при создании конвейеров произвольной сложности. Конвейер в виде ОАГ

Обозначает задачу или операцию, которую мы хотим выполнить

Задача 2 Задача 1 Файл ОАГ (Python)

Задача 4 Задача 3

Интервал планирования = @daily Какое расписание использовать для запуска ОАГ

Зависимость между задачами, указывающая на то, что задача 3 должна выполняться перед задачей 4

Рис. 1.7 Конвейеры Airflow определены в виде ОАГ с использованием кода Python в файлах ОАГ. Каждый такой файл обычно определяет один граф, который описывает различные задачи и их зависимости. Помимо этого, ОАГ также определяет интервал, который решает, когда Airflow выполняет граф

Помимо этой гибкости, еще одно преимущество того факта, что Airflow написан на языке Python, состоит в том, что задачи могут выполнять любую операцию, которую можно реализовать на Python. Со временем это привело к разработке множества расширений Airflow, позволяющих выполнять задачи в  широком спектре систем, включая внешние базы данных, технологии больших данных и различные облачные сервисы, давая возможность создавать сложные конвейеры обработки данных, объединяющие процессы обработки данных в различных системах.

1.2.2 Планирование и выполнение конвейеров После того как вы определили структуру вашего конвейера (конвейеров) в виде ОАГ, Airflow позволяет вам определить параметр schedu­ le_interval для каждого графа, который точно решает, когда ваш конвейер будет запущен Airflow. Таким образом, вы можете дать указание Airflow выполнять ваш граф каждый час, ежедневно, каждую неделю и т. д. Или даже использовать более сложные интервалы, основанные на выражениях, подобных Cron. Чтобы увидеть, как Airflow выполняет графы, кратко рассмотрим весь процесс, связанный с разработкой и запуском ОАГ. На высоком уровне Airflow состоит из трех основных компонентов (рис. 1.8):

37

Представляем Airflow

планировщик Airflow  – анализирует ОАГ, проверяет параметр schedule_interval и (если все в порядке) начинает планировать задачи ОАГ для выполнения, передавая их воркерам Airflow; 1 „ воркеры (workers) Airflow – выбирают задачи, которые запланированы для выполнения, и  выполняют их. Таким образом, они несут ответственность за фактическое «выполнение работы»; „ веб-сервер Airflow – визуализирует ОАГ, анализируемые планировщиком, и предоставляет пользователям основной интерфейс для отслеживания выполнения графов и их результатов.

„

Мониторинг запусков ОАГ и результатов Пользователи

Веб-сервер Airflow

Визуализация ОАГ и результатов задач

Сохранение результатов задач

Воркеры Airlfow

База метаданных Airflow (база данных) Сохранение сериализованных ОАГ Планировщик Airflow

Выполнение задач

Планирование задач

Очередь

Чтение ОАГ Запись рабочих процессов в Python в виде ОАГ

Папка ОАГ

Файлы ОАГ, описывающие конвейеры (на языке Python)

Рис. 1.8 Обзор основных компонентов Airflow (веб-сервер Airflow, планировщик и воркеры)

Сердцем Airflow, вероятно, является планировщик, поскольку именно здесь происходит бóльшая часть магии, определяющей, когда и как будут выполняться ваши конвейеры. На высоком уровне планировщик выполняет следующие шаги (рис. 1.9): 1 После того как пользователи написали свои рабочие процессы в виде ОАГ, файлы, содержащие эти графы, считываются плани1

В англоязычных источниках также встречается термин worker process (рабочий процесс), который, по сути, означает то же самое. Чтобы избежать путаницы со словом workflow (рабочий процесс), в тексте книги используется слово «воркер». – Прим. перев.

Глава 1

38

2

3

4

ровщиком для извлечения соответствующих задач, зависимостей и интервалов каждого ОАГ. После этого для каждого графа планировщик проверяет, все ли в порядке с интервалом с момента последнего чтения. Если да, то задачи в графе планируются к выполнению. Для каждой задачи, запускаемой по расписанию, планировщик затем проверяет, были ли выполнены зависимости (= вышестоящие задачи) задачи. Если да, то задача добавляется в очередь выполнения. Планировщик ждет несколько секунд, прежде чем начать новый цикл, перескакивая обратно к шагу 1.

1. Пользователь записывает рабочий процесс в виде ОАГ

Пользователь

Знакомство с Apache Airflow

Файл ОАГ (Python)

4. Пользователь отслеживает выполнение + результаты задач с помощью веб-интерфейса

2. Планировщик Airflow осуществляет его анализ и планирует задачи в соответствии с расписанием, учитывая зависимости между задачами

3. Воркеры Airflow выполняют задачи, запускаемые по расписанию

Планировщик Airflow Чтение ОАГ из файлов (задачи, зависимости + интервал планирования)

Если с расписанием все в порядке, планируем задачи

Ждем X секунд

Для каждой задачи, запускаемой по расписанию

Воркер Airlfow

Очередь выполнения

Проверяем зависимости задач

Выполнение задачи Извлечение результатов задачи

Если зависимости задачи удовлетворены

Добавляем задачу в очередь на выполнение Сохранение сериализованных ОАГ Веб-сервер Airflow

Получение ОАГ и результатов задач База метаданных Airlfow (база данных)

Сохраняем результаты задачи

Рис. 1.9 Схематический обзор процесса, участвующего в разработке и выполнении конвейеров в виде ОАГ с использованием Airflow

Проницательный читатель, возможно, заметит, что фактически шаги, выполняемые планировщиком, очень похожи на алгоритм, приведенный в  разделе 1.1. Это не случайно, поскольку Airflow, по сути, выполняет те же шаги, добавляя дополнительную логику для обработки своей логики планирования. После того как задачи поставлены в очередь на выполнение, с ними уже работает пул воркеров Airflow, которые выполняют задачи параллельно и отслеживают их результаты. Эти результаты передаются в  базу метаданных Airflow, чтобы пользователи могли отслеживать

39

Представляем Airflow

ход выполнения задач и  просматривать журналы с  помощью вебинтерфейса Airflow (интерфейс, предоставляемый веб-сервером Airflow).

1.2.3 Мониторинг и обработка сбоев Помимо планирования и выполнения ОАГ, Airflow также предоставляет обширный веб-интерфейс, который можно использовать для просмотра графов и  мониторинга результатов их выполнения. После входа (рис.  1.10) на главной странице появляется обширный обзор различных ОАГ со сводными обзорами их последних результатов (рис. 1.11).

Ваше имя пользователя + пароль

Рис. 1.10 Страница входа в веб-интерфейс Airflow. В примерах кода к этой книге пользователю по умолчанию «admin» предоставляется пароль «admin»

Например, графовое представление отдельного ОАГ дает четкий обзор задач и зависимостей графа (рис 1.12), аналогично схематическим обзорам, которые вы видели в  этой главе. Это представление особенно полезно для просмотра структуры графа (обеспечивая подробное понимание зависимостей между задачами), а также для просмотра результатов отдельных запусков ОАГ. Помимо этого представления, Airflow также предоставляет подробное древовидное представление, в котором показаны все текущие и предыдущие запуски соответствующего ОАГ (рис. 1.13). Это, пожалуй, самое мощное представление, которое дает веб-интерфейс, поскольку здесь приводится беглый обзор того, как работал ОАГ, и оно позволяет покопаться в  задачах, завершившихся сбоем, чтобы увидеть, что пошло не так.

40

Глава 1

Имена зарегистрированных рабочих процессов

Знакомство с Apache Airflow

Расписания рабочих процессов

Состояние задач из последних запусков

Рис. 1.11 Главная страница веб-интерфейса Airflow с обзором доступных ОАГ и их последние результаты

Рис. 1.12 Графовое представление в веб-интерфейсе Airflow, показывающее обзор задач в отдельном ОАГ и зависимости между этими задачами

По умолчанию Airflow может обрабатывать сбои в задачах, повторяя их несколько раз (иногда со временем ожидания между ними), что может помочь задачам восстановиться после периодических сбоев. Если это не помогает, Airflow запишет задачу как неудачную, при желании уведомив вас о сбое, если это предусмотрено настрой-

41

Представляем Airflow

ками. Отладка сбоев задач довольно проста, поскольку представление в виде дерева позволяет увидеть, какие задачи не удалось выполнить, и  изучить их журналы. Это же представление также позволяет очищать результаты отдельных задач для их повторного запуска (наряду со всеми задачами, которые зависят от этой задачи), что дает возможность с легкостью повторно запускать все задачи после внесения изменений в их код.

Все запуски одной задачи Состояние отдельной задачи Один запуск рабочего процесса

Рис. 1.13 Древовидное представление Airflow, показывающее результаты нескольких запусков ОАГ модели продаж зонтов (самые последние + предыдущие запуски). Столбцы показывают статус одного выполнения ОАГ, а строки показывают статус всех выполнений одной задачи. Цвета (которые вы видите в версии для электронной книги) обозначают результат выполнения соответствующей задачи. Пользователи также могут щелкнуть по «квадратикам», чтобы получить более подробную информацию о данном экземпляре задачи или сбросить состояние задачи, дабы при необходимости ее можно было повторно запустить с помощью Airflow

1.2.4 Инкрементальная загрузка и обратное заполнение Одно из мощных функций семантики планирования Airflow состоит в  том, что вышеуказанные интервалы не только запускают ОАГ в определенные моменты времени (аналогично, например, Cron), но также предоставляют подробную информацию о них и (ожидаемых) следующих интервалах. По сути, это позволяет разделить время на дискретные интервалы (например, каждый день, неделю и т. д.) и запускать ОАГ с учетом каждого из этих интервалов1. 1

Если сейчас это звучит для вас немного абстрактно, не волнуйтесь, мы подробно расскажем об этих концепциях позже.

42

Глава 1

Знакомство с Apache Airflow

Такое свойство интервалов Airflow неоценимо для реализации эффективных конвейеров обработки данных, поскольку позволяет создавать дополнительные конвейеры. В  этих инкрементных конвейерах каждый запуск ОАГ обрабатывает только данные для соответствующего интервала времени (дельта данных), вместо того чтобы каждый раз повторно обрабатывать весь набор данных. Это может обеспечить значительную экономию времени и  средств, особенно в случае с большими наборами данных, за счет предотвращения дорогостоящего пересчета существующих результатов. Эти интервалы становятся еще более мощными в сочетании с концепцией обратного заполнения, позволяющей выполнять новый ОАГ для интервалов, которые имели место в  прошлом. Эта функция позволяет легко создавать новые наборы архивных данных, просто запуская ОАГ с учетом этих интервалов. Более того, очистив результаты прошлых запусков, вы также можете использовать эту функцию Airflow, чтобы повторно запускать любые архивные задачи, если вы вносите изменения в код задачи, что при необходимости позволяет повторно обрабатывать весь набор данных.

1.3

Когда использовать Airflow Мы надеемся, что после этого краткого введения в Airflow вы с  энтузиазмом познакомились с  Airflow и  узнали больше о  его ключевых функциях. Однако, прежде чем двигаться дальше, для начала рассмотрим причины, по которым вы, возможно, захотите работать с Airflow (а также ряд причин, по которым вы, вероятно, не захотите этого делать), чтобы убедиться, что Airflow – и  в  самом деле самый подходящий для вас вариант.

1.3.1 Причины выбрать Airflow В предыдущих разделах мы уже описали несколько ключевых функций, которые делают Airflow идеальным вариантом для реализации конвейеров пакетной обработки данных. Они включают в себя: „ возможность реализовывать конвейеры с использованием кода на языке Python позволяет создавать сколь угодно сложные конвейеры, используя все, что только можно придумать в Python; „ язык Python, на котором написан Airflow, позволяет легко расширять и добавлять интеграции со многими различными системами. Сообщество Airflow уже разработало богатую коллекцию расширений, которые дают возможность Airflow интегрироваться в множество различных типов баз данных, облачных сервисов и т. д.; „ обширная семантика планирования позволяет запускать конвейеры через равные промежутки времени и создавать эффектив-

Когда использовать Airflow

43

ные конвейеры, использующие инкрементную обработку, чтобы избежать дорогостоящего пересчета существующих результатов; „ такие функции, как обратное заполнение, дают возможность с легкостью (повторно) обрабатывать архивные данные, позволяя повторно вычислять любые производные наборы данных после внесения изменений в код; „ многофункциональный веб-интерфейс Airflow обеспечивает удобный просмотр результатов работы конвейера и отладки любых сбоев, которые могут произойти. Дополнительное преимущество Airflow состоит в  том, что это фреймворк с  открытым исходным кодом. Это гарантирует, что вы можете использовать Airflow для своей работы без какой-либо привязки к поставщику. У некоторых компаний также есть управляемые решения (если вам нужна техническая поддержка), что дает больше гибкости относительно того, как вы запускаете и  управляете своей установкой Airflow.

1.3.2 Причины не выбирать Airflow Хотя у Airflow имеется множество мощных функций, в определенных случаях это, возможно, не то, что вам нужно. Вот некоторые примеры, когда Airflow – не самый подходящий вариант: „ обработка потоковых конвейеров, поскольку Airflow в  первую очередь предназначен для выполнения повторяющихся или задач по пакетной обработке данных, а не потоковых рабочих нагрузок; „ реализация высокодинамичных конвейеров, в  которых задачи добавляются или удаляются между каждым запуском конвейера. Хотя Airflow может реализовать такое динамическое поведение, веб-интерфейс будет показывать только те задачи, которые все еще определены в самой последней версии ОАГ. Таким образом, Airflow отдает предпочтение конвейерам, структура которых не меняется каждый раз при запуске; „ команды с небольшим опытом программирования (Python) или вообще не имеющие его, поскольку реализация ОАГ в Python может быть сложной задачей для тех, у  кого малый опыт работы с Python. В таких командах использование диспетчера рабочих процессов с  графическим интерфейсом (например, Azure Data Factory) или определение статического рабочего процесса, возможно, имеет больше смысла; „ точно так же код Python в ОАГ может быстро стать сложным в более крупных примерах. Таким образом, внедрение и поддержка ОАГ в Airflow требуют должной строгости, чтобы поддерживать возможность сопровождения в долгосрочной перспективе. Кроме того, Airflow – это в первую очередь платформа для управления рабочими процессами и конвейерами, и (в настоящее время)

Глава 1

44

Знакомство с Apache Airflow

она не включает в  себя более обширные функции, такие как линия данных, управление версиями данных и т. д. Если вам потребуются эти функции, то вам, вероятно, придется рассмотреть возможность объединения Airflow с другими специализированными инструментами, которые предоставляют эти функции.

1.4

Остальная часть книги К настоящему времени вы должны (мы надеемся) иметь четкое представление о том, что такое Airflow и как его функции могут помочь вам реализовать и запускать конвейеры обработки данных. В оставшейся части этой книги мы начнем с  представления основных компонентов Airflow, с  которыми вам необходимо ознакомиться, чтобы приступить к созданию собственных конвейеров. Эти первые несколько глав должны иметь большое применение и  апеллируют к  широкой аудитории. Здесь мы ожидаем, что у вас уже имеется опыт программирования на языке Python (около года). Это означает, что вы должны быть знакомы с такими основными понятиями, как форматирование строк, списковые включения, параметры args и kwargs и т. д. Вы также должны быть знакомы с основами командной строки Linux и иметь хотя бы небольшой опыт использования баз данных (включая SQL) и различных форматов данных. После этого введения мы углубимся в более сложные функции Airflow, такие как создание динамических ОАГ, реализация собственных операторов, выполнение контейнерных задач и  т.  д. Эти главы потребуют более глубокого понимания задействованных технологий, включая написание собственных классов Python, основных концепций Docker, форматов файлов и разделения данных. Мы ожидаем, что вторая часть будет особенно интересна data-инженерам. Наконец, несколько глав в конце книги посвящены темам, связанным с развертыванием Airflow, включая шаблоны развертывания, мониторинг, безопасность и  облачные архитектуры. Мы ожидаем, что эти главы будут интересны тем, кто занимается реализацией и управлением развертываний Airflow, например системным администраторам и инженерам DevOps.

Резюме Конвейеры обработки данных могут быть представлены в  виде ОАГ, которые четко определяют задачи и их зависимости. Эти графы можно выполнять, используя преимущества параллелизма, присущего структуре зависимостей. „ Несмотря на то что на протяжении многих лет для выполнения графов задач было разработано множество диспетчеров рабочих

„

Резюме

45

процессов, Airflow имеет несколько ключевых функций, которые делают его уникальным для реализации эффективных конвейеров пакетной обработки данных. „ Airflow состоит из трех основных компонентов: веб-сервера, планировщика и воркеров, которые работают сообща для планирования задач из конвейеров обработки данных и помогают отслеживать их результаты.

2

Анатомия ОАГ

Эта глава рассказывает: о запуске Airflow на собственном компьютере; о написании и запуске первого рабочего процесса; „ о первом представлении в интерфейсе Airflow; „ об обработке неудачных задач в Airflow. „ „

В предыдущей главе мы узнали, почему непросто работать с данными и  множеством инструментов в  ландшафте данных. В  этой главе мы приступим к работе с Airflow и рассмотрим пример рабочего процесса, где используются базовые строительные блоки, которые можно встретить во многих рабочих процессах. При запуске с Airflow полезно иметь некоторый опыт работы с Python, поскольку рабочие процессы определены в  коде Python. Пробел в  изучении основ Airflow не так уж велик. Как правило, начать работать с базовой структурой рабочего процесса Airflow легко. Рассмотрим пример с фанатом ракет, чтобы увидеть, как Airflow может ему помочь.

2.1

Сбор данных из множества источников Ракеты – одно из чудес инженерной мысли человечества, и каждый запуск ракеты привлекает внимание во всем мире. В этой главе мы

Сбор данных из множества источников

47

расскажем о жизни большого поклонника ракет по имени Джон, который следит за каждым запуском ракеты. Новости о запусках содержатся в новостных источниках, которые Джон отслеживает, и, в идеале, ему хотелось бы, чтобы все эти новости были собраны в  одном месте. Недавно Джон занялся программированием и хотел бы иметь некоторый автоматизированный способ сбора информации обо всех запусках ракет и в конечном итоге своего рода личное представление о  последних новостях, касающихся этих запусков. Для начала Джон решил собрать изображения ракет.

2.1.1 Изучение данных Для работы с  данными мы используем Launch Library 2 (https:// thespacedevs.com/llapi), онлайн-хранилище данных о  предыдущих и будущих запусках ракет из различных источников. Это бесплатный и открытый API для всех на планете (с учетом ограничений скорости). В настоящее время Джон интересуется только предстоящими запусками ракет. К  счастью, Launch Library предоставляет именно те данные, которые он ищет (https://ll.thespacedevs.com/2.0.0/launch/ upcoming/). Здесь есть данные о предстоящих запусках ракет наряду с URL-адресами, где можно найти изображения соответствующих ракет. Вот фрагмент данных, который возвращает этот URL-адрес. Листинг 2.1

Пример curl-запроса к Launch Library API и ответа

Проверяем ответ в виде URL-адреса с помощью curl из командной строки $ curl ­L "https://ll.thespacedevs.com/2.0.0/launch/upcoming" {

Ответ представляет собой документ в формате JSON, что видно по его структуре

... Квадратные скобки обозначают список "results": [ { "id": "528b72ff­e47e­46a3­b7ad­23b2ffcec2f2", Все значения "url": "https://.../528b72ff­e47e­46a3­b7ad­23b2ffcec2f2/", в фигурных "launch_library_id": 2103, скобках "name": "Falcon 9 Block 5 | NROL­108", Здесь мы видим такую информацию, относятся "net": "2020­12­19T14:00:00Z", как идентификатор ракеты и окно к одному начала и окончания запуска ракеты запуску ракеты "window_end": "2020­12­19T17:00:00Z", "window_start": "2020­12­19T14:00:00Z", ➥ "image": "https://spacelaunchnow­prod­ east.nyc3.digitaloceanspaces.com/media/launch_images/falcon2520925_image _20201217060406.jpeg", "infographic": ".../falcon2520925_infographic_20201217162942.png", URL-адрес ... изображения }, запускаемой { ракеты "id": "57c418cc­97ae­4d8e­b806­bb0e0345217f", "url": "https://.../57c418cc­97ae­4d8e­b806­bb0e0345217f/", "launch_library_id": null,

Глава 2

48

Анатомия ОАГ

"name": "Long March 8 | XJY­7 & others", "net": "2020­12­22T04:29:00Z", "window_end": "2020­12­22T05:03:00Z", "window_start": "2020­12­22T04:29:00Z", "image": "https://.../long2520march_image_20201216110501.jpeg", "infographic": null, ... }, ... ] }

Как видите, данные представлены в формате JSON и предоставляют информацию о запуске ракеты, а для каждого запуска есть информация о конкретной ракете, такая как идентификатор, имя и URL-адрес изображения. Это именно то, что нужно Джону. Сначала он рисует план, показанный на рис.  2.1, для сбора изображений предстоящих запусков ракет (чтобы использовать изображения из этого каталога в качестве заставки). Библиотека Launch Извлекаем следующие запуски

Джон

Рис. 2.1

Система уведомлений

Интернет

Сохраняем запуски ракет

Извлекаем фотографии ракет

Компьютер Джона

Сохраняем фотографии ракет

Отправляем уведомление

Компьютер Джона

Ментальная модель Джона загрузки изображений ракет

Основываясь на примере из рис.  2.1, мы видим, что в  конце дня цель Джона – получить каталог, заполненный изображениями ракет, такими как Ariane 5 ECA на рис. 2.2.

2.2

Пишем наш первый ОАГ Пример с Джоном прекрасно обрисован, поэтому давайте посмотрим, как запрограммировать его план. Здесь всего лишь несколько шагов, и теоретически можно было бы решить эту задачу с помощью одной строки кода. Тогда зачем нам для этого такая система, как Airflow? Преимущество Airflow состоит в  том, что мы можем разделить большую работу, состоящую из одного или нескольких шагов, на отдельные «задачи», вместе образующие ОАГ. Несколько задач могут выполняться параллельно, и  задачи могут использовать разные технологии. Например, сначала можно было бы запустить сценарий

49

Пишем наш первый ОАГ

Bash, а затем сценарий на языке Python. Мы разбили ментальную модель Джона его рабочего процесса на три логические задачи в Airflow, как показано на рис. 2.3.

Рис. 2.2

Пример изображения ракеты Ariane 5 ECA

Библиотека Launch Извлекаем следующие запуски

Джон

Рис. 2.3

Сохраняем запуски ракет

Компьютер Джона

Система уведомлений

Интернет

Извлекаем фотографии ракет

Сохраняем фотографии ракет

Отправляем уведомление

Компьютер Джона

Ментальная модель Джона, сопоставленная с задачами в Airflow

Глава 2

50

Анатомия ОАГ

Вы спросите, зачем нужны эти три задачи? Почему бы не скачать запуски и соответствующие изображения в одной задаче? Или не разделить их на пять задач? В плане Джона у нас есть пять стрелок. Все эти вопросы можно задать при разработке рабочего процесса, но на самом деле здесь нет правильного или неправильного ответа. Однако есть несколько моментов, которые следует принять во внимание, и на протяжении всей книги мы будем прорабатывать многие из этих примеров, чтобы понять, что правильно, а что нет. Код этого рабочего процесса выглядит следующим образом: Листинг 2.2

ОАГ для скачивания и обработки данных о запуске ракеты

import json import pathlib import airflow import requests import requests.exceptions as requests_exceptions from airflow import DAG from airflow.operators.bash import BashOperator from airflow.operators.python import PythonOperator Имя ОАГ

Имя задачи

Создаем экземпляр объекта ОАГ; это отправная точка любого рабочего процесса

dag = DAG( dag_id="download_rocket_launches", Дата, когда ОАГ должен start_date=airflow.utils.dates.days_ago(14), впервые быть запущен schedule_interval=None, Интервал, с которым ) должен запускаться ОАГ

download_launches = BashOperator( Применяем Bash, task_id="download_launches", чтобы загрузить ответ bash_command="curl ­o /tmp/launches.json ­L в виде URL-адреса 'https://ll.thespacedevs.com/2.0.0/launch/upcoming'", с помощью curl dag=dag, ) Функция Python проанализирует ответ и загрузит все изображения ракет def _get_pictures(): # Убеждаемся, что каталог существует pathlib.Path("/tmp/images").mkdir(parents=True, exist_ok=True) # Скачиваем все изображения в launches.json with open("/tmp/launches.json") as f: launches = json.load(f) image_urls = [launch["image"] for launch in launches["results"]] for image_url in image_urls: try: response = requests.get(image_url) image_filename = image_url.split("/")[­1] target_file = f"/tmp/images/{image_filename}"

51

Пишем наш первый ОАГ with open(target_file, "wb") as f: f.write(response.content) print(f"Downloaded {image_url} to {target_file}") except requests_exceptions.MissingSchema: print(f"{image_url} appears to be an invalid URL.") except requests_exceptions.ConnectionError: print(f"Could not connect to {image_url}.") get_pictures = PythonOperator( Вызываем функцию Python в ОАГ task_id="get_pictures", с помощью PythonOperator python_callable=_get_pictures, dag=dag, ) notify = BashOperator( task_id="notify", bash_command='echo "There are now $(ls /tmp/images/ | wc ­l) images."', dag=dag, ) Задаем порядок выполнения задач download_launches >> get_pictures >> notify

Разберем этот рабочий процесс. ОАГ – это отправная точка любого рабочего процесса. Все задачи в рамках рабочего процесса ссылаются на этот объект ОАГ, чтобы Airflow знал, какие задачи какому ОАГ принадлежат. Листинг 2.3

Создание экземпляра объекта ОАГ Класс DAG принимает два обязательных аргумента

dag = DAG( dag_id="download_rocket_launches", start_date=airflow.utils.dates.days_ago(14), schedule_interval=None, )

Имя ОАГ, отображаемое в пользовательском интерфейсе Airflow Дата и время, когда рабочий процесс должен быть запущен в первый раз

Обратите внимание, что dag (нижний регистр) – это имя, присвоенное экземпляру класса DAG (верхний регистр). Имя экземпляра может быть любым; можно назвать его rocket_dag или как-то еще. Мы будем ссылаться на переменную (dag) во всех операторах, которая сообщает Airflow, к какому ОАГ принадлежит оператор. Также обратите внимание, что мы задали для schedule_interval значение None. Это означает, что ОАГ не будет запускаться автоматически. На данный момент его можно запустить вручную из пользовательского интерфейса Airflow. Мы перейдем к планированию в разделе 2.4. Затем сценарий рабочего процесса Airflow состоит из одного или нескольких операторов, которые выполняют фактическую работу. В листинге 2.4 мы применяем BashOperator для запуска команды Bash.

Глава 2

52

Листинг 2.4

Анатомия ОАГ

Создание экземпляра BashOperator для запуска команды Bash

download_launches = BashOperator( Имя задачи task_id="download_launches", bash_command="curl -o /tmp/launches.json 'https:// ll.thespacedevs.com/2.0.0/launch/upcoming'", dag=dag, Ссылка на переменную DAG )

Команда Bash для выполнения

Каждый оператор выполняет одну единицу работы, а  несколько операторов вместе образуют рабочий процесс или ОАГ в  Airflow. Операторы работают независимо друг от друга, хотя вы можете определить порядок выполнения, который мы называем зависимостями в Airflow. В конце концов, рабочий процесс Джона был бы бесполезен, если бы сначала вы попытались скачать изображения, когда у  вас нет данных об их местонахождении. Чтобы задачи выполнялись в  правильном порядке, можно установить зависимости между задачами. Листинг 2.5

Определение порядка выполнения задачи

download_launches >> get_pictures >> notify

Стрелки задают порядок выполнения задач

В Airflow можно использовать бинарный оператор сдвига вправо (например, «rshift» [>>]) для определения зависимостей между задачами. Это гарантирует, что задача get_pictures запустится только после успешного завершения download _launches, а задача notify запустится только после успешного завершения get_pictures. ПРИМЕЧАНИЕ В  Python для сдвига битов используется оператор rshift (>>), который является обычной операцией, например в криптографических библиотеках. В Airflow нет примера сдвига битов, и оператор rshift был переопределен, чтобы обеспечить читабельный способ определения зависимостей между задачами.

2.2.1 Задачи и операторы Вы можете спросить: в чем разница между задачами и операторами? В  конце концов, они оба выполняют фрагмент кода. В  Airflow операторы имеют единственную ответственность: они существуют для выполнения одной-единственной единицы работы. Некоторые операторы выполняют универсальные вещи, например BashOperator (используется для запуска сценария Bash) или PythonOperator (используется для запуска функции Python); у других есть более конкретные

53

Пишем наш первый ОАГ

варианты использования, такие как EmailOperator (используется для отправки электронной почты) или SimpleHTTPOperator (используется для вызова конечной точки HTTP). Роль ОАГ состоит в  том, чтобы организовать выполнение набора операторов. Сюда входит запуск и остановка операторов, запуск последовательных задач после выполнения оператора, обеспечение зависимостей между операторами и т. д. В данном контексте и  в  документации Airflow мы видим, что термины оператор и  задача используются как взаимозаменяемые. С точки зрения пользователя, они обозначают одно и то же и  часто заменяют друг друга во время обсуждений. Операторы обеспечивают реализацию одной единицы работы. У Airflow есть класс BaseOperator и множество подклассов, наследуемых от него, такие как PythonOpera­ tor, EmailOperator и OracleOperator. В любом случае они выполняют одну единицу работы. Однако есть разница. Задачи в  Airflow управляют выполнением оператора; их можно рассматривать как небольшую оболочку или менеджер вокруг оператора, который обеспечивает его правильное выполнение. Пользователь может сосредоточиться на выполняемой работе с  помощью операторов, а  Airflow обеспечивает правильное выполнение с помощью задач (рис. 2.4). ОАГ Задача

Задача

Задача

Оператор

Оператор

Оператор

Рис. 2.4 ОАГ и операторы используются пользователями Airflow. Задачи – это внутренние компоненты для управления состоянием оператора и отображения изменений состояния (например, запущено/завершено) для пользователя

2.2.2 Запуск произвольного кода на Python Извлечение данных по последующим запускам ракет  – это одна команда curl в  Bash, которая легко выполняется с  помощью оператора BashOperator. Однако для анализа результата в  формате JSON, выбора из него URL-адресов изображений и  скачивания соответствующих изображений требуется немного больше усилий. Хотя все это по-прежнему возможно в  одной строке кода Bash, часто проще и удобнее читать такой код, если он написан с помощью нескольких строк Python или любого другого языка на ваш выбор. Поскольку код Airflow написан на языке Python, удобно хранить и рабочий процесс, и логику выполнения в одном сценарии. Чтобы скачать изображения ракет, мы реализовали следующий листинг.

Глава 2

54

Листинг 2.6

Анатомия ОАГ

Запуск функции Python с помощью PythonOperator Функция Python, которую нужно вызвать

Создаем каталог изображений, def _get_pictures(): если его не существует # Убеждаемся, что каталог существует pathlib.Path("/tmp/images").mkdir(parents=True, exist_ok=True) Открываем результат # Скачиваем все изображения в launches.json из предыдущей задачи with open("/tmp/launches.json") as f: launches = json.load(f) image_urls = [launch["image"] for launch in launches["results"]] for image_url in image_urls: Скачиваем каждое try: изображение response = requests.get(image_url) image_filename = image_url.split("/")[­1] target_file = f"/tmp/images/{image_filename}" Сохраняем каждое with open(target_file, "wb") as f: изображение f.write(response.content) print(f"Downloaded {image_url} to {target_file}") Вывод except requests_exceptions.MissingSchema: в stdout; будет print(f"{image_url} appears to be an invalid URL.") зафиксировано except requests_exceptions.ConnectionError: в журналах Airflow print(f"Could not connect to {image_url}.") get_pictures = PythonOperator( task_id="get_pictures", python_callable=_get_pictures, dag=dag, )

Создаем PythonOperator для вызова функции Python Указываем на функцию Python, которую нужно выполнить

PythonOperator в Airflow отвечает за запуск кода Python. Как и ранее использовавшийся BashOperator, этот и все другие операторы требуют task_id. На task_id ссылаются при запуске задачи, и он отображается в пользовательском интерфейсе. Использование PythonOperator всегда состоит из двух частей: 1 мы определяем сам оператор (get_pictures); 2 аргумент python_callable указывает на вызываемый объект, обычно функцию (_get_pictures). При запуске оператора вызывается функция Python, которая будет выполнять функцию. Давайте разберем ее. Базовое использование PythonOperator всегда выглядит так, как показано на рис. 2.5. Хотя это и не обязательно, для удобства мы оставляем task_id в качестве имени переменной get_pictures. Листинг 2.7

Убеждаемся, что выходной каталог существует, и создаем его, если его нет

# Убеждаемся, что каталог существует pathlib.Path("/tmp/images").mkdir(parents=True, exist_ok=True)

55

Пишем наш первый ОАГ def _get_pictures(): # do work here ...

Вызываемый PythonOperator

get_pictures = PythonOperator( task_id="get_pictures", python_callable =_get_pictures, dag=dag )

PythonOperator

Рис. 2.5 Аргумент python_callable в PythonOperator указывает на функцию, которую нужно выполнить

Первый шаг – убедиться, что каталог, в  котором будут храниться изображения, существует, как показано в листинге 2.7. Затем мы открываем результат, скачанный из Launch Library API, и  извлекаем URL-адреса изображений для каждого запуска. Листинг 2.8

Извлекаем URL-адреса изображений для каждого запуска ракеты

Читаем как словарь, чтобы Открываем файл запусков можно было смешивать данные ракет в формате JSON with open("/tmp/launches.json") as f: launches = json.load(f) image_urls = [launch["image"] for launch in launches["results"]] Для каждого запуска извлекаем элемент "image"

Каждый URL-адрес изображения вызывается для скачивания изображения и сохранения его в каталоге /tmp/images. Листинг 2.9

Скачиваем все изображения из URL-адресов извлеченных изображений

Проходим по всем URL-адресам изображений for image_url in image_urls: Получаем изображение Получаем только имя try: Создаем путь файла, выбрав все после response = requests.get(image_url) к целевому последнего. Например, image_filename = image_url.split("/")[­1] файлу https://host/RocketImages/ target_file = f"/tmp/images/{image_filename}" Electron.jpg_1440.jpg → with open(target_file, "wb") as f: Открываем Electron.jpg_1440.jpg f.write(response.content) дескриптор print(f"Downloaded {image_url} to {target_file}") Выводим результат целевого except requests_exceptions.MissingSchema: файла print(f"{image_url} appears to be an invalid URL.") Перехватываем и обрабатываем Записываем except requests_exceptions.ConnectionError: потенциальные ошибки изображение print(f"Could not connect to {image_url}.") в путь к файлу

56

2.3

Глава 2

Анатомия ОАГ

Запуск ОАГ в Airflow Теперь, когда у нас есть ОАГ, давайте выполним его и рассмотрим его в  пользовательском интерфейсе Airflow. В  минимальном варианте Airflow состоит из трех основных компонентов: планировщика, вебсервера и базы данных. Чтобы запустить Airflow, можно либо установить Airflow в окружении Python, либо запустить контейнер Docker.

2.3.1 Запуск Airflow в окружении Python Чтобы установить и запустить Airflow как пакет Python из PyPi, необходимо выполнить несколько шагов: pip install apache­airflow

Убедитесь, что вы устанавливаете apache­airflow, а не просто air­ flow. После присоединения к Apache Foundation в 2016 году репозиторий PyPi airflow был переименован в apache­airflow. Поскольку многие по-прежнему устанавливали airflow, вместо того чтобы удалить старый репозиторий, его оставили в  качестве пустышки, чтобы выдавать всем сообщение, указывающее на правильный репозиторий. Некоторые операционные системы поставляются с  установкой Python. Если просто выполнить команду pip install apache­airflow , то вы установите Airflow в этом «системном» окружении. При работе над проектами Python желательно, чтобы каждый проект находился в своем окружении Python, дабы создать воспроизводимый набор пакетов Python и избежать конфликтов зависимостей. Такие окружения создаются с помощью следующих инструментов: „ pyenv: https://github.com/pyenv/pyenv; „ Conda: https://docs.conda.io/en/latest/; „ virtualenv: https://virtualenv.pypa.io/en/latest/. После установки Airflow запустите его, инициализировав базу метаданных (где хранится состояние Airflow), создав пользователя, скопировав наш ОАГ в  каталог ОАГ и  запустив планировщик и  вебсервер: 1 airflow db init; 2 airflow users create ­­username admin ­­password admin ­­first­ name Anonymous ­­lastname Admin ­­role Admin ­­email admin@ex­ ample.org; 3 cp download_rocket_launches.py ~/airflow/dags/; 4 airflow webserver; 5 airflow scheduler. Обратите внимание, что планировщик и веб-сервер являются непрерывными процессами, которые держат ваш терминал открытым, поэтому они запускаются в фоновом режиме с помощью airflow web­ server и/или открывают второе окно терминала, чтобы запустить пла-

Запуск ОАГ в Airflow

57

нировщик и веб-сервер по отдельности. После настройки перейдите по адресу http://localhost: 8080 и выполните вход с именем пользователя «admin» и паролем «admin».

2.3.2 Запуск Airflow в контейнерах Docker Контейнеры Docker также пользуются популярностью, чтобы создавать изолированные окружения для запуска воспроизводимого набора пакетов Python и  предотвращения конфликтов зависимостей. Однако эти контейнеры создают изолированное окружение на уровне операционной системы, тогда как в случае с окружением Python речь идет об изоляции лишь на уровне среды выполнения. В результате вы можете создавать контейнеры Docker, которые содержат не только набор пакетов Python, но и другие зависимости, такие как драйверы базы данных или компилятор GCC. В этой книге мы продемонстрируем работу Airflow в контейнерах Docker, используя для этого несколько примеров. Для запуска контейнеров Docker на вашем компьютере должен быть установлен Docker Engine. Затем можно запустить Airflow в  Docker с помощью следующей команды. Листинг 2.10

Запуск Airflow в Docker

docker run \ Монтируем файл ОАГ Открываем доступ ­ti \ в контейнере на хост-порте 8080 -p 8080:8080 \ -v ➥ /path/to/dag/download_rocket_launches.py:/opt/airflow/dags/ download_rocket_launches.py \ ­­entrypoint=/bin/bash \ Образ Airflow Docker ­­name airflow \ apache/airflow:2.0.0-python3.8 \ Инициализируем базу ­c '( \ метаданных в контейнере airflow db init && \ ➥ airflow users create --username admin --password admin --firstname Anonymous --lastname Admin --role Admin --email [email protected] \ ); \ Создаем Запускаем веб-сервер airflow webserver & \ пользователя Запускаем планировщик airflow scheduler \ '

ПРИМЕЧАНИЕ Если вы знакомы с Docker, то, вероятно, возразите, что нежелательно запускать несколько процессов в одном контейнере Docker, как показано в листинге 2.10. Это отдельная команда, предназначенная для демонстрационных целей, позволяющая быстро приступить к  работе. В  настройках, предназначенных для промышленного окружения, нужно запускать веб-сервер, планировщик и базу метаданных Airflow в  отдельных контейнерах. Об этом подробно написано в  главе 10.

Глава 2

58

Анатомия ОАГ

После этого будет скачан и  запущен образ Airflow Docker apache/ airflow. После запуска вы можете перейти по адресу http://localhost: 8080 и  выполнить вход с  именем пользователя «admin» и  паролем «admin».

2.3.3 Изучаем пользовательский интерфейс Airflow Первое, что вы увидите в Airflow, – это экран входа, показанный на рис. 2.6.

Рис. 2.6

Экран входа в Airflow

Выполнив вход, вы можете просмотреть ОАГ, download_rocket_ launches, как показано на рис. 2.7. Это первое знакомство с  Airflow. В  настоящее время единственный ОАГ – это download_rocket_launches, который доступен в Airflow в  каталоге ОАГ. На главном экране много информации, но вначале посмотрим на download_rocket _launches. Щелкните по имени ОАГ, чтобы открыть его и просмотреть графовое представление (рис. 2.8).

59

Запуск ОАГ в Airflow

Рис. 2.7 Главный экран Airflow

Типы операторов в ОАГ Вкл./выкл. ОАГ

Рис. 2.8

Легенда состояний

Структура ОАГ

Запуск ОАГ

Графовое представление

Данное представление показывает нам структуру сценария ОАГ, предоставленного Airflow. После размещения в каталоге ОАГ Airflow прочитает сценарий и извлечет фрагменты, которые все вместе образуют ОАГ, чтобы их можно было визуализировать в пользовательском интерфейсе. Здесь мы видим структуру ОАГ, а также то, в каком порядке связаны все задачи в ОАГ и как они будут запускаться. Это одно из представлений, которое вы, вероятно, будете чаще всего использовать при разработке рабочих процессов. В легенде состояния отображаются все цвета, которые можно увидеть во время запуска, поэтому посмотрим, что происходит, и  запустим ОАГ. Во-первых, чтобы выполнить запуск, ОАГ должен быть «включен»; для этого переключите кнопку рядом с его именем. Затем нажмите кнопку Play (Воспроизвести), чтобы запустить его.

60

Глава 2

Анатомия ОАГ

После этого он запустится, и вы увидите текущее состояние рабочего процесса, обозначенное цветами (рис. 2.9). Поскольку мы задаем зависимости между нашими задачами, задачи, идущие друг за другом, начинают выполняться только после завершения предыдущих. Проверим результат задачи уведомления. В реальном примере вы, вероятно, захотите отправить электронное письмо или, например, уведомление Slack, чтобы сообщить о новых изображениях. Для простоты сейчас выводится количество скачанных изображений. Проверим журналы.

Рис. 2.9

Графовое представление запущенного ОАГ

Все журналы задач собраны в  Airflow, поэтому можно искать в  пользовательском интерфейсе выходные данные или возможные проблемы в случае сбоя. Щелкните по завершенной задаче уведомления, и вы увидите всплывающее окно с несколькими вариантами, как показано на рис. 2.10. Щелкните по кнопке Log (Журнал) вверху в центре, чтобы просмотреть журналы, как показано на рис. 2.11. По умолчанию журналы содержат довольно много информации, но в  них отображается количество скачанных изображений. Наконец, можно открыть каталог /tmp/images и просмотреть их. При запуске в Docker этот каталог существует только внутри контейнера Docker, а не в вашей хост-системе. Поэтому сначала нужно попасть в контейнер Docker: docker exec ­it airflow /bin/bash

После этого вы получаете терминал Bash в  контейнере и  можете просматривать изображения в каталоге /tmp/images (рис. 2.12).

Запуск ОАГ в Airflow

Рис. 2.10

Рис. 2.11

Параметры всплывающего окна задачи

Просмотр журналов

61

Глава 2

62

Анатомия ОАГ

Рис. 2.12

Полученные изображения ракет

2.4

Запуск через равные промежутки времени Поклонник ракет Джон теперь счастлив, что у него есть рабочий процесс в Airflow, который он может запускать время от времени, чтобы собирать последние изображения ракет. Он может увидеть состояние своего рабочего процесса в пользовательском интерфейсе Airflow, что уже является улучшением по сравнению со сценарием в командной строке, который он запускал раньше. Но ему по-прежнему нужно периодически запускать свой рабочий процесс вручную, а ведь его можно автоматизировать. В конце концов, никому не нравится выполнять повторяющиеся задачи, которые компьютеры умеют делать сами. В Airflow можно запланировать запуск ОАГ через определенные промежутки времени, например один раз в час, день или месяц. Это можно контролировать, если задать аргумент schedule_interval. Листинг 2.11

Запуск ОАГ раз в день

dag = DAG( dag_id="download_rocket_launches", start_date=airflow.utils.dates.days_ago(14), schedule_interval="@daily", )

Псевдоним Airflow для 0 0 * * * (т. е. полночь)

Запуск через равные промежутки времени

63

Если задать для аргумента schedule_interval значение @daily, Airflow будет запускать этот рабочий процесс один раз в день, чтобы Джону не приходилось запускать его вручную. Такое поведение лучше всего видно в  древовидном представлении, как показано на рис. 2.13.

Структура ОАГ

Состояние задачи с течением времени

Рис. 2.13 Древовидное представление Airflow

Древовидное представление похоже на графовое, но отображает структуру графа в динамике. Обзор состояния всех запусков одного рабочего процесса можно увидеть на рис. 2.14.

Рис. 2.14 Связь между графовым и древовидным представлениями

Структура ОАГ отображается в  соответствии с  макетом «строки и  столбцы», в  частности состояние всех запусков конкретного ОАГ, где каждый столбец представляет собой один запуск в определенный момент времени. Когда мы задали для schedule_interval значение @daily, Airflow знал, что должен запускать этот ОАГ один раз в день. Учитывая start_ date, предоставленный ОАГ 14 дней назад, это означает, что время с  момента 14 дней назад до настоящего момента можно разделить на 14 равных интервалов одного дня. Поскольку и дата начала, и дата окончания этих 14 интервалов находятся в прошлом, они начнут выполняться, как только мы предоставим программе Airflow аргумент schedule_interval. Семантика этого аргумента и различные способы его настройки более подробно описаны в главе 3.

64

2.5

Глава 2

Анатомия ОАГ

Обработка неудачных задач До сих пор мы видели в пользовательском интерфейсе Airflow только зеленый цвет. Но что будет, если что-то не получится? Задачи нередко терпят неудачу, и причин тому множество (например, внешняя служба не работает, проблемы с сетевым подключением или неисправный диск). Скажем, например, в какой-то момент у вас случился сбой в сети при получении изображений ракет Джона. Как следствие задача Airflow дает сбой, и мы видим неудачную задачу в пользовательском интерфейсе Airflow. На рис. 2.15 показано, как это выглядело бы.

Рис. 2.15 Сбой отображается в графовом и древовидном представлениях

Конкретная неудавшаяся задача будет отображаться красным цветом как в  графовом, так и  в  древовидном представлениях как результат невозможности получить изображения из интернета, что, следовательно, вызовет ошибку. Последующая задача notify не будет выполняться вообще, потому что она зависит от успешного состояния задачи get_pictures. Такие экземпляры задач отображаются оранжевым цветом. По умолчанию все предыдущие задачи должны выполняться успешно, и никакие последующие задачи в случае неудачи выполняться не будут. Выясним, в  чем проблема, еще раз проверив журналы. Откройте журналы задачи get_ pictures (рис. 2.16). В трассировке стека мы обнаруживаем потенциальную причину проблемы: urllib3.exceptions.NewConnectionError: : Failed to establish a new connection: [Errno ­2] Name or service not known

Это указывает на то, что urllib3 (т. е. HTTP-клиент для Python) пытается установить соединение, но не может этого сделать. Возможно, дело в правиле брандмауэра, блокирующем соединение, или отсутствии подключения к интернету. Предполагая, что мы устранили проблему (например, подключили интернет-кабель), перезапустим задачу.

Обработка неудачных задач

65

Рис. 2.16 Трассировка стека неудавшейся задачи get_pictures

ПРИМЕЧАНИЕ Нет необходимости перезапускать весь рабочий процесс. Приятная особенность Airflow состоит в том, что вы можете выполнить перезапуск с момента сбоя и далее, без необходимости перезапуска каких бы то ни было ранее выполненных задач. Щелкните по невыполненной задаче, а  затем нажмите кнопку Clear (Очистить) во всплывающем окне (рис. 2.17). Вы увидите задачи, которые хотите очистить, то есть вы сбросите состояние этих задач, а Airflow перезапустит их, как показано на рис. 2.18.

Рис. 2.17 Щелкните по невыполненной задаче, чтобы просмотреть параметры для ее очистки

Рис. 2.18 Очистка состояния задачи get_pictures и последующих задач

Глава 2

66

Анатомия ОАГ

Щелкните по кнопке ОК! – и неудавшаяся задача и ее последующие задачи будут очищены, как показано на рис. 2.19.

Рис. 2.19 Очищенные задачи, отображаемые в графовом представлении

Предполагая, что проблемы с  подключением решены, задачи теперь будут выполняться успешно, и все древовидное представление станет зеленым (рис. 2.20).

Рис. 2.20 Успешно выполненные задачи после очистки неудавшихся задач

В любом программном обеспечении есть много причин для сбоя. В рабочих процессах Airflow сбой иногда допускается, иногда – нет, а  иногда только при определенных условиях. Критерии устранения сбоев можно настроить на любом уровне рабочего процесса. Более подробно они рассматриваются в главе 4. После очистки невыполненных задач Airflow автоматически перезапустит их. Если все пойдет хорошо, Джон загрузит изображения ракет, полученные в результате неудачного выполнения задач. Обратите внимание, что вызываемый URL-адрес в задаче download_launches просто запрашивает следующие запуски ракеты – это означает, что он вернет следующие запуски ракеты во время вызова API. Включение контекста времени выполнения, в  котором ОАГ был запущен в  код, рассматривается в главе 4.

Резюме Рабочие процессы в Airflow представлены в виде ОАГ. Операторы представляют собой одну единицу работы. „ Airflow содержит набор операторов как для универсальной, так и для конкретной работы. „ Пользовательский интерфейс Airflow предлагает графовое представление для просмотра структуры ОАГ и древовидное представление для просмотра выполнения ОАГ с течением времени. „ Неудачные задачи можно перезапустить в любом месте ОАГ. „ „

3

Планирование в Airflow

Эта глава рассказывает о: запуске ОАГ через равные промежутки времени; „ создании динамических ОАГ для постепенной обработки данных; „ загрузке и повторной обработке наборов архивных данных с помощью обратного заполнения; „ применении лучших практик для надежных задач. „

В предыдущей главе мы изучили пользовательский интерфейс Airflow и показали, как определить базовый ОАГ Airflow и запускать его каждый день, определив аргумент schedule_inteval. В этой главе мы углубимся в  концепцию планирования в  Airflow и  изучим, как она позволяет обрабатывать данные постепенно и через равные промежутки времени. Вначале мы представим небольшой пример, посвященный анализу пользовательских событий на нашем сайте, и узнаем, как создать ОАГ для регулярного анализа этих событий. Далее мы рассмотрим способы сделать этот процесс более эффективным, применив поэтапный подход к  анализу данных и  пониманию того, как это связано с концепцией дат выполнения в Airflow. Наконец, мы покажем, как работать с наборами архивных данных, используя обратное заполнение, и обсудим некоторые важные свойства правильных задач Airflow.

Глава 3

68

3.1

Планирование в Airflow

Пример: обработка пользовательских событий Чтобы понять, как работает планирование в Airflow, сначала рассмотрим небольшой пример. Представьте, что у нас есть служба, которая отслеживает поведение пользователей на нашем сайте и  позволяет нам анализировать, к  каким страницам обращались пользователи (идентифицированные по IP-адресу). В целях маркетинга мы бы хотели знать, каково число страниц, к которым обращаются пользователи, и сколько времени они тратят во время каждого посещения. Чтобы получить представление о том, как это поведение меняется с течением времени, нам нужно рассчитывать эту статистику ежедневно, поскольку это позволяет сравнивать изменения в  разные дни и  более длительные периоды времени. Из практических соображений внешняя служба отслеживания не хранит данные более 30 дней, поэтому нам нужно хранить и  аккумулировать эти данные самостоятельно, так как нам нужно хранить историю в течение более длительных периодов времени. Обычно, поскольку необработанные данные могут быть довольно большими, имеет смысл хранить их в облачной службе хранения, такой как Amazon S3 или Google Cloud Storage, ибо они сочетают в себе высокую надежность и относительно низкую стоимость. Однако чтобы было проще, мы не будем заниматься этим и будем хранить наши данные локально. Чтобы смоделировать этот пример, мы создали простой (локальный) API, который позволяет нам получать пользовательские события. Например, мы можем получить полный список доступных событий последних 30 дней с помощью следующего вызова API: curl ­o /tmp/events.json http://localhost:5000/events

Этот вызов возвращает список пользовательских событий (в кодировке JSON), которые мы можем проанализировать, чтобы вычислить статистику по пользователям. Используя этот API, можно разбить наш рабочий процесс на две отдельные задачи: одна для получения пользовательских событий, а другая для расчета статистики. Сами данные можно скачать, используя BashOperator, как было показано в предыдущей главе. Для расчета статистики можно использовать PythonOperator, который позволяет нам загружать данные в Pandas DataFrame и рассчитывать количество событий, используя группировку и агрегацию. Все вместе это дает нам ОАГ, показанный в листинге 3.1. Листинг 3.1

Начальная (без планирования) версия ОАГ события (dags/01_unscheduled.py)

import datetime as dt from pathlib import Path

69

Запуск через равные промежутки времени import pandas as pd from airflow import DAG from airflow.operators.bash import BashOperator from airflow.operators.python import PythonOperator dag = DAG( dag_id="01_unscheduled", start_date=dt.datetime(2019, 1, 1), schedule_interval=None, ) fetch_events = BashOperator( task_id="fetch_events", bash_command=( "mkdir -p /data && " "curl -o /data/events.json " "https://localhost:5000/events" ), dag=dag, )

Определяем дату запуска ОАГ Указываем, что это версия ОАГ без планирования

Извлекаем и сохраняем события из API

def _calculate_stats(input_path, output_path): ""Рассчитывает статистику по событиям""

Загружаем события и рассчитываем необходимую статистику

events = pd.read_json(input_path) stats = events.groupby(["date", "user"]).size().reset_index() Path(output_path).parent.mkdir(exist_ok=True) stats.to_csv(output_path, index=False) Убеждаемся, что выходной каталог существует, и пишем результаты в файл calculate_stats = PythonOperator( с расширением CSV task_id="calculate_stats", python_callable=_calculate_stats, op_kwargs={ "input_path": "/data/events.json", "output_path": "/data/stats.csv", }, dag=dag, ) fetch_events >> calculate_stats

Задаем порядок выполнения

Теперь у нас есть базовый ОАГ, но нам все еще нужно убедиться, что Airflow регулярно запускает его. Давайте перейдем к планированию, чтобы у нас были ежедневные обновления!

3.2

Запуск через равные промежутки времени Как было показано в главе 2, ОАГ Airflow можно запускать через равные промежутки времени, задав для него запланированный интервал с помощью аргумента schedule_interval при инициализации ОАГ. По

Глава 3

70

Планирование в Airflow

умолчанию значение этого аргумента равно None. Это означает, что ОАГ не будет запланирован и  будет запускаться только при запуске вручную из пользовательского интерфейса или API.

3.2.1 Определение интервалов В нашем примере мы хотели бы вычислять статистику ежедневно, поэтому имеет смысл запланировать запуск нашего ОАГ один раз в день. Поскольку это распространенный пример, Airflow предоставляет удобный макрос @daily для определения интервала, при котором наш ОАГ будет запускаться каждый день в полночь. Листинг 3.2

Определение ежедневного интервала (dags/02_daily_schedule.py)

dag = DAG( dag_id="02_daily_schedule", schedule_interval="@daily", start_date=dt.datetime(2019, 1, 1), ... )

Планируем запуск ОАГ каждый день в полночь Дата и время начала планирования запусков ОАГ

Airflow также нужно знать, когда мы хотим начать выполнение ОАГ, указав дату запуска. Исходя из этой даты, Airflow запланирует первое выполнение нашего ОАГ, чтобы запустить его в  первом интервале после даты начала (начало + интервал). Последующие запуски будут выполняться с заданными интервалами после первого интервала. ПРИМЕЧАНИЕ Обратите внимание на то, что Airflow запускает задачи в конце интервала. Если разработка ОАГ ведется 1 января 2019 года в 13:00, с start_date – 01-01-2019 и интервалом @daily, то это означает, что сначала он запускается в полночь. Поначалу ничего не произойдет, если вы запустите ОАГ 1 января в 13:00 до полуночи. Например, предположим, что мы определяем наш ОАГ с датой начала первого января, как было показано ранее в листинге  3.2. В  сочетании с ежедневным интервалом это приведет к тому, что Airflow будет запускать наш ОАГ в полночь каждого дня после первого января (рис. 3.1). Обратите внимание, что первое выполнение происходит второго января (первый интервал после даты начала), а не первого. Мы рассмотрим аргументацию данного поведения далее в этой главе. Без даты окончания Airflow (в принципе) будет выполнять наш ОАГ по этому ежедневному расписанию до скончания времен. Однако если мы уже знаем, что наш проект имеет фиксированную продолжительность, то можно сообщить Airflow, чтобы он прекратил запуск ОАГ после определенной даты, используя параметр end_date.

71

Запуск через равные промежутки времени

Дата начала 2019-01-01 00:00

Первое выполнение

Второе выполнение

Третье выполнение

2019-01-02 00:00

2019-01-03 00:00

2019-01-04 00:00

Будущие выполнения

Рис. 3.1 Интервалы для ОАГ, запускаемого по расписанию ежедневно, с заданной датой запуска (2019-01-01). Стрелки указывают момент времени, в который выполняется ОАГ. Если дата окончания не указана, ОАГ будет выполняться каждый день до тех пор, пока не будет отключен

Листинг 3.3

Определение даты окончания ОАГ (dags/03_with_end_date.py)

dag = DAG( dag_id="03_with_end_date", schedule_interval="@daily", start_date=dt.datetime(year=2019, month=1, day=1), end_date=dt.datetime(year=2019, month=1, day=5), )

В результате получится полный набор интервалов, показанный на рис. 3.2. Первое выполнение Дата начала 2019-01-01 00:00

2019-01-02 00:00

Второе выполнение

2019-01-03 00:00

Третье выполнение

2019-01-04 00:00

Четвертое выполнение

Финальное выполнение

2019-01-04 00:00

Дата окончания 2019-01-05 00:00

Рис. 3.2 Интервалы для ОАГ, запускаемого по расписанию ежедневно, с указанными датами начала (2019-01-01) и окончания (2019-01-05). Это не дает ОАГ продолжить свое выполнение после этой даты

3.2.2 Интервалы на основе Cron До сих пор все наши примеры демонстрировали, что ОАГ запускаются с дневными интервалами. Но что, если нам нужно выполнять задания с почасовыми или еженедельными интервалами? А как насчет более сложных интервалов, когда нам нужно запускать ОАГ в 23:45 каждую субботу? Для поддержки более сложных вариантов Airflow позволяет определять интервалы, используя тот же синтаксис, что и у cron, планировщика заданий на основе времени, используемого Unix-подобными компьютерными операционными системами, такими как macOS и Linux. Этот синтаксис состоит из пяти компонентов и определяется следующим образом:

Глава 3

72 # # # # # # #

Планирование в Airflow

┌─────── минута (0–59) │ ┌────── час (0–23) │ │ ┌───── день месяца (1–31) │ │ │ ┌───── месяц (1–12) │ │ │ │ ┌──── день недели (0–6) (с воскресенья по субботу; │ │ │ │ │ в некоторых системах 7 – это также воскресенье) * * * * *

В этом определении задание cron выполняется, когда поля для уточнения времени и даты соответствуют текущему системному времени и дате. Символы звездочки (*) можно использовать вместо чисел для определения неограниченных полей. Это означает, что нас не волнует значение этого поля. Хотя такое представление на базе cron может показаться немного запутанным, оно предоставляет значительную гибкость для определения временных интервалов. Например, мы можем определить часовые, дневные и недельные интервалы, используя следующие выражения cron: „ 0 * * * * = ежечасно (запуск по часам); „ 0 0 * * * = ежедневно (запуск в полночь); „ 0 0 * * 0 = еженедельно (запуск в полночь в воскресенье). Помимо этого, также можно определять более сложные выражения, например: „ 0 0 1 * * = полночь первого числа каждого месяца; „ 45 23 * * SAT = 23:45 каждую субботу. Кроме того, выражения cron позволяют определять коллекции значений с помощью запятой (,) для определения списка значений или тире (-) для определения диапазона значений. Используя этот синтаксис, мы можем создавать выражения, позволяющие запускать задания для нескольких рабочих дней или наборов часов в течение дня: „ 0 0 * * MON, WED, FRI = запускать каждый понедельник, среду, пятницу в полночь; „ 0 0 * * MON-FRI = запускать каждый будний день в полночь; „ 0 0,12 * * * = запускать каждый день в 00:00 и 12:00. Airflow также обеспечивает поддержку макросов, которые представляют собой сокращенный вариант часто используемых интервалов. Мы уже видели один из этих макросов (@daily) для определения дневных интервалов. Обзор других макросов, поддерживаемых Airflow, приведен в табл. 3.1. Хотя выражения Cron чрезвычайно эффективны, работать с ними может быть непросто. Таким образом, возможно, будет полезно протестировать свое выражение, прежде чем опробовать его в  Airflow. К счастью, в интернете доступно множество инструментов1, которые 1

https://crontab.guru переводит выражения cron на понятный человеку язык.

73

Запуск через равные промежутки времени

могут помочь вам определить, проверить или объяснить выражения Cron простым человеческим языком. Также не помешает задокументировать рассуждения о сложных выражениях cron в своем коде. Это может помочь другим (включая и вас в будущем!) понять данное выражение при повторном обращении к коду. Таблица 3.1. Макросы Airlfow для часто используемых интервалов планирования Макрос @once @hourly @daily @weekly @monthly @yearly

Значение

Один и только один раз Запуск один раз в час в начале часа Запуск один раз в день в полночь Запуск один раз в неделю в полночь в воскресенье утром Запуск один раз в месяц в полночь первого числа месяца Запуск один раз в год в полночь 1 января

3.2.3 Частотные интервалы Важное ограничение выражений cron состоит в том, что они не могут представлять определенные расписания на основе частот. Например, как бы вы определили выражение cron, которое запускает ОАГ каждые три дня? Оказывается, что можно было бы написать выражение, которое запускается каждый первый, четвертый, седьмой и  так далее день месяца, но такой подход столкнется с проблемами в конце месяца, поскольку ОАГ будет последовательно запускаться и  31-го, и 1-го числа следующего месяца, нарушая желаемый график. Данное ограничение проистекает из природы выражений cron, поскольку они определяют шаблон, который постоянно сопоставляется с текущим временем, чтобы определить, следует ли выполнять задание. Это дает преимущество, при котором выражения не имеют состояния, а это означает, что вам не нужно помнить, когда было выполнено предыдущее задание для вычисления последующего интервала. Однако, как видите, при этом страдают выразительные возможности. Что, если мы действительно хотим запускать наш ОАГ раз в три дня? Для поддержки такого типа расписания на базе частот Airflow также позволяет определять интервалы в виде относительного временного интервала. Чтобы использовать такое расписание, можно передать экземпляр timedelta (из модуля datetime в стандартной библиотеке) в качестве интервала. Листинг 3.4

Определение интервала на базе частоты (dags/04_time_delta.py)

dag = DAG( dag_id="04_time_delta", schedule_interval=dt.timedelta(days=3),

timedelta дает возможность использовать расписания на базе частоты

Глава 3

74

Планирование в Airflow

start_date=dt.datetime(year=2019, month=1, day=1), end_date=dt.datetime(year=2019, month=1, day=5), )

Это приведет к тому, что наш ОАГ будет запускаться каждые три дня после даты начала (4, 7, 10 и т. д. января 2019 г.). Конечно, вы также можете использовать данный подход для запуска ОАГ каждые 10 минут (используя timedelta(minutes=10)) или каждые два часа (timedelta(hours=2)).

3.3

Инкрементная обработка данных Хотя теперь у нас есть ОАГ, запускающийся с ежедневным интервалом (при условии что мы придерживаемся расписания, заданного макросом @daily), мы пока не достигли своей цели. Например, наш ОАГ скачивает и вычисляет статистику для всего каталога пользовательских событий ежедневно, что вряд ли эффективно. Более того, этот процесс скачивает события только за последние 30 дней, а это означает, что у нас нет истории для более ранних дат.

3.3.1 Инкрементное извлечение событий Одним из способов решения этих проблем является изменение ОАГ для инкрементной загрузки данных, когда мы загружаем только события соответствующего дня в каждом интервале расписания и рассчитываем статистику лишь для новых событий (рис. 3.3). События

День 1

День 2

Извлечение

Извлечение

events/day1.json

events/day2.json

Агрегирование

Агрегирование

stats/day1.csv

stats/day2.csv

День 3

Рис. 3.3

Инкрементное извлечение и обработка данных

Такой подход намного более эффективен, нежели извлечение и обработка всего набора данных, поскольку он значительно сокращает

Инкрементная обработка данных

75

объем данных, которые необходимо обрабатывать в  каждом интервале. Кроме того, поскольку теперь мы храним наши данные в  отдельных файлах по дням, у нас также есть возможность приступить к  созданию истории файлов, намного превышая 30-дневный лимит нашего API. Чтобы внедрить инкрементную обработку в наш рабочий процесс, нужно изменить ОАГ, чтобы скачивать данные за определенный день. К счастью, мы можем настроить вызов API для излечения событий на текущую дату, включив параметры начальной и конечной дат: curl ­O http://localhost:5000/events?start_date=2019­01­01&end_date=2019­01­02

Эти параметры указывают временной диапазон, для которого мы хотели бы получать события. Обратите внимание, что в этом примере start_date является инклюзивным параметром, а end_date – эксклюзивным. Это означает, что, по сути, мы получаем события, которые происходят в период между 01.01.2019 00:00:00 и 2019-01-01 23:59:59. Мы можем реализовать это инкрементное получение данных в ОАГ, изменив bash-команду, чтобы включить в нее две даты. Листинг 3.5

Получение событий для определенного временного интервала (dags/05_query_with_dates.py)

fetch_events = BashOperator( task_id="fetch_events", bash_command=( "mkdir ­p /data && " "curl -o /data/events.json " "http://localhost:5000/events?" "start_date=2019-01-01&" "end_date=2019­01­02" ), dag=dag, )

Однако для получения данных на любую дату, отличную от 01.01.2019, нужно изменить команду, чтобы использовать даты начала и  окончания, которые отражают день, для которого выполняется ОАГ. К счастью, Airflow предоставляет для этого несколько дополнительных параметров, которые мы рассмотрим в следующем разделе.

3.3.2 Динамическая привязка ко времени с использованием дат выполнения Для многих рабочих процессов, включающих временные процессы, важно знать, в  течение какого временного интервала выполняется данная задача. По этой причине Airflow предоставляет задачам дополнительные параметры, которые можно использовать, чтобы опре-

Глава 3

76

Планирование в Airflow

делить, в  каком интервале выполняется задача (более подробно об этих параметрах мы поговорим в следующей главе). Самый важный из этих параметров – execution_date, который обозначает дату и время, в течение которых выполняется ОАГ. Вопреки тому, что предполагает имя параметра, execution_date – это не дата, а временная метка, отражающая время начала интервала, для которого выполняется ОАГ. Время окончания интервала указывается другим параметром, next_execution_date. Вместе эти даты определяют всю продолжительность интервала задачи (рис. 3.4). Предыдущая дата выполнения

Дата выполнения

Дата следующего выполнения

Текущий интервал Дата начала 2019-01-01 00:00

2019-01-02 00:00

2019-01-03 00:00

2019-01-04 00:00

Будущие выполнения

Сейчас

Рис. 3.4 Даты выполнения в Airflow

Airflow также предоставляет параметр previous_execution_date, который описывает начало предыдущего интервала. Хотя здесь мы не будем использовать этот параметр, он может быть полезен для выполнения анализа, который сравнивает данные текущего временного интервала с результатами предыдущего интервала. В Airflow эти даты выполнения можно использовать, ссылаясь на них в  операторах. Например, в  BashOperator можно использовать функцию создания шаблонов, чтобы динамически включать даты выполнения в Bash-команду. Подробнее о создании шаблонов рассказывается в главе 4. Листинг 3.6

Использование создания шаблонов для указания дат (dags/06_templated_query.py)

fetch_events = BashOperator( task_id="fetch_events", bash_command=( Отформатированная дата выполнения, "mkdir ­p /data && " вставленная с использованием "curl ­o /data/events.json " шаблонизатора Jinja "http://localhost:5000/events?" "start_date={{execution_date.strftime('%Y-%m-%d')}}" "&end_date={{next_execution_date.strftime('%Y-%m-%d')}}" ), next_execution_date содержит дату dag=dag, выполнения следующего интервала )

В этом примере синтаксис {{variable_name}} представляет собой пример использования (https://jinja.palletsprojects.com/en/3.0.x/) синтаксиса шаблонов на базе Jinja для ссылки на один из специфических

Инкрементная обработка данных

77

параметров Airflow. Здесь мы используем этот синтаксис, чтобы ссылаться на даты выполнения и форматировать их в ожидаемом строковом формате с помощью метода datetime strftime (так как оба варианта выполнения даты являются объектами datetime). Поскольку параметры execute_date часто используются таким образом, чтобы ссылаться на даты как на форматированные строки, Airflow также предоставляет несколько сокращенных параметров для распространенных форматов дат. Например, параметры ds и ds_nodash представляют собой разные обозначения execution_date в формате ГГГГ-ММДД и  ГГГГММДД соответственно. Аналогично next_ds, next_ds_nodash, prev_ds и prev_ds_nodash предоставляют сокращенные обозначения для следующей и предыдущей дат выполнения соответственно. Используя эти сокращения, мы также можем написать нашу команду инкрементального извлечения данных следующим образом. Листинг 3.7

Использование сокращенного шаблона (dags/07_templated_query_ds.py)

fetch_events = BashOperator( task_id="fetch_events", bash_command=( "mkdir ­p /data && " "curl ­o /data/events.json " "http://localhost:5000/events?" "start_date={{ds}}&" "end_date={{next_ds}}" ), dag=dag, )

ds предоставляет дату выполнения в формате ГГГГММ-ДД next_ds предоставляет то же самое для next_ execution_date

Эту более короткую версию легче читать. Однако для более сложных форматов даты (или времени и даты) вам, вероятно, все равно придется использовать более гибкий метод strftime.

3.3.3 Разделение данных Хотя наша новая задача fetch_events теперь извлекает события постепенно для каждого нового интервала расписания, проницательный читатель, возможно, заметил, что каждая новая задача просто перезаписывает результат предыдущего дня, а это означает, что фактически мы не создаем никакой истории. Один из способов решить эту проблему – просто добавить новые события в файл events.json, что позволит нам создать свою историю в одном файле JSON. Однако у такого подхода есть недостаток: он требует, чтобы все нижестоящие задания по обработке загружали весь набор данных, даже если нас интересует только вычисление статистики за данный день. Кроме того, такой файл становится единой точкой отказа, из-за чего мы рискуем потерять весь наш набор данных, если этот файл будет потерян или поврежден.

Глава 3

78

Планирование в Airflow

Есть альтернативный подход  – разделить набор данных на ежедневные пакеты, записав вывод задачи в файл с именем соответствующей даты выполнения. Листинг 3.8

Запись данных о событиях в отдельные файлы по дате (dags/08_templated_path.py)

fetch_events = BashOperator( task_id="fetch_events", bash_command=( "mkdir ­p /data/events && " "curl ­o /data/events/{{ds}}.json " "http://localhost:5000/events?" "start_date={{ds}}&" "end_date={{next_ds}}", dag=dag, )

Ответ, записанный в шаблонное имя файла

Это приведет к тому, что все данные, скачиваемые с датой выполнения 01.01.2019, будут записаны в файл /data/events/2019-01-01.json. Такая практика разделения набора данных на более мелкие и управляемые части является распространенной стратегией в системах хранения и обработки данных и обычно называется секционированием, когда более мелкие фрагменты данных устанавливают секции. Преимущество разделения нашего набора данных по дате выполнения становится очевидным, если мы рассмотрим вторую задачу в нашем ОАГ (calculate_stats), в  которой мы рассчитываем статистику для пользовательских событий за каждый день. В нашей предыдущей реализации мы загружали весь набор данных и вычисляли статистику для всей истории событий каждый день. Листинг 3.9

Предыдущая реализация для статистики событий (dags/01_scheduled.py)

def _calculate_stats(input_path, output_path): """Рассчитываем статистику событий.""" Path(output_path).parent.mkdir(exist_ok=True) events = pd.read_json(input_path) stats = events.groupby(["date", "user"]).size().reset_index() stats.to_csv(output_path, index=False) calculate_stats = PythonOperator( task_id="calculate_stats", python_callable=_calculate_stats, op_kwargs={ "input_path": "/data/events.json", "output_path": "/data/stats.csv", }, dag=dag, )

79

Инкрементная обработка данных

Однако, используя наш секционированный набор данных, мы можем более эффективно рассчитать эту статистику для каждой отдельной секции, изменив пути ввода и вывода этой задачи, чтобы указать на секционированные данные событий и секционированный выходной файл. Листинг 3.10

Вычисление статистики за каждый интервал выполнения (dags/08_templated_path.py)

Получаем все контекстные def _calculate_stats(**context): переменные в этом словаре """Расчет статистики.""" input_path = context["templates_dict"]["input_path"] output_path = context["templates_dict"]["output_path"] Получаем шаблонные значения из объекта Path(output_path).parent.mkdir(exist_ok=True) templates_dict events = pd.read_json(input_path) stats = events.groupby(["date", "user"]).size().reset_index() stats.to_csv(output_path, index=False) calculate_stats = PythonOperator( task_id="calculate_stats", python_callable=_calculate_stats, templates_dict={ "input_path": "/data/events/{{ds}}.json", "output_path": "/data/stats/{{ds}}.csv", }, dag=dag, )

Передаем значения, которые мы хотим использовать в качестве шаблона

Хотя эти изменения могут показаться несколько сложными, они в  основном связаны с  шаблонным кодом, обеспечивающим шаблонизацию наших входных и выходных путей. Чтобы реализовать это в  PythonOperator, нужно передать все аргументы, которые должны быть шаблонизированы с помощью параметра оператора templates_ dict. Затем мы можем получить шаблонные значения внутри нашей функции из контекстного объекта, который Airflow1 передает нашей функции _calculate_stats. Если все это для вас слишком быстро, не волнуйтесь; мы подробнее рассмотрим контекст задачи в  следующей главе. Здесь важно понять, что эти изменения позволяют нам вычислять статистику постепенно, обрабатывая только небольшие подмножества данных каждый день.

1

Для Airflow версии 1.10.x необходимо передать дополнительный аргумент provide_context=True в PythonOperator; в противном случае функция _cal­ culate_stats не получит контекстные значения.

Глава 3

80

3.4

Планирование в Airflow

Даты выполнения Поскольку даты выполнения являются очень важной частью Airflow, уделим им минуту, чтобы убедиться, что мы полностью понимаем, как они определяются.

3.4.1 Выполнение работы с фиксированными интервалами Как мы уже видели, мы можем контролировать, когда Airflow запускает ОАГ, с помощью трех параметров: даты начала, интервала и (необязательно) даты окончания. Чтобы фактически начать планирование ОАГ, Airflow использует эти три параметра, дабы разделить время на ряд интервалов, начиная с заданной даты начала и, необязательно, заканчивая датой окончания (рис. 3.5). Первый интервал Дата начала 2019-01-01 00:00

Второй интервал

Третий интервал

Будущие интервалы (Необязательно) Дата окончания

2019-01-02 00:00

2019-01-03 00:00

2019-01-04 00:00

Рис. 3.5 Время, представленное в виде интервалов планирования Airflow. Предполагает дневной интервал с датой начала 01.01.2019

В этом представлении ОАГ выполняется для заданного интервала, как только тайм-слот этого интервала будет пройден. Например, первый интервал на рис. 3.5 будет выполнен как можно скорее после 2019-01-01 23:59:59, потому что к этому моменту последняя временная точка в интервале пройдет. Точно так же ОАГ будет выполняться для второго интервала вскоре после 2019-01-02 23:59:59 и т. д., пока мы не достигнем необязательной даты окончания. Преимущество использования подхода на основе интервалов состоит в том, что он идеально подходит для выполнения инкрементной обработки данных, которая была показана в предыдущих разделах, поскольку мы точно знаем, в течение какого интервала времени выполняется задача, – начало и конец соответствующего интервала. Это резко контрастирует, например, с такой системой планирования, как cron, где нам известно только текущее время, в течение которого выполняется наша задача. Это означает, что, например, в cron мы должны либо вычислить, либо угадать, где остановилось предыдущее выполнение, предполагая, что задача выполняется за предыдущий день (рис. 3.6). Понимание того, что обработка времени в Airflow строится вокруг интервалов, также помогает понять, как определяются даты выполнения в Airflow. Например, предположим, что у нас есть ОАГ, который следует ежедневному интервалу, а затем учитывает соответствующий интервал, в  котором должны обрабатываться данные за 03.01.2019.

81

Даты выполнения

В  Airflow этот интервал будет запускаться вскоре после 2019-01-04 00:00:00, потому что в данный момент мы знаем, что больше не будем получать новые данные за 2019-01-03. Если вернуться к объяснению использования дат выполнения в наших задачах из предыдущего раздела, то как вы думаете, каким будет значение execution_date для этого интервала? Сейчас Запуск для этого явного интервала Планирование на основе интервала

Угадать, где начинается и заканчивается интервал Планирование на основе времени

?

?

Рис. 3.6 Инкрементальная обработка в окнах планирования на базе интервалов (например, Airflow) в сравнении с окнами, полученными из таких систем, как, например, cron. При инкрементальной обработке (данных) время обычно делится на дискретные временные интервалы, которые обрабатываются сразу после прохождения соответствующего интервала. Подходы к планированию на основе интервалов (такие как Airflow) явно планируют выполнение задач для каждого интервала, предоставляя при этом точную информацию для каждой задачи, касающуюся начала и конца интервала. Напротив, при подходах к планированию как у cron задачи выполняются только в заданное время, оставляя на усмотрение самой задачи определение того, в течение какого инкрементного интервала выполняется задача

Многие ожидают, что дата выполнения этого запуска ОАГ будет 2019-01-04, поскольку это момент, когда ОАГ фактически запускается. Однако если посмотреть на значение переменной execute_date при выполнении наших задач, то можно увидеть дату выполнения 201901-03. Это связано с тем, что Airflow определяет дату выполнения ОАГ как начало соответствующего интервала. Концептуально это имеет смысл, если считать, что дата выполнения отмечает интервал, а  не момент фактического выполнения ОАГ. К  сожалению, именование может немного сбивать с толку. Когда даты выполнения Airflow определены как начало соответствующих интервалов, их можно использовать для определения начала и  конца определенного интервала (рис.  3.7). Например, при выполнении задачи начало и  конец соответствующего интервала определяются параметрами execution_date (начало интервала) и next_execution_date (начало следующего интервала). Точно так же

Глава 3

82

Планирование в Airflow

предыдущий интервал может быть получен с помощью параметров previous_execution_date и execution_date. Предыдущая дата выполнения

Дата начала 2019-01-01 00:00

Дата выполнения

Предыдущий интервал 2019-01-02 00:00

Дата следующего выполнения

Текущий интервал

2019-01-03 00:00

Следующий интервал

Будущие интервалы

2019-01-04 00:00

Рис. 3.7 Даты выполнения в контексте интервалов. В Airflow дата выполнения ОАГ определяется как время начала соответствующего интервала, а не время, когда выполняется ОАГ (обычно это конец интервала). Таким образом, значение execution_date указывает на начало текущего интервала, в то время как параметры previous_execution_date и next_execution_date указывают на начало предыдущего и следующего интервалов соответственно. Текущий интервал можно получить из сочетания execution_date и next_execution_date, что означает начало следующего интервала и, следовательно, конец текущего

Однако следует иметь в  виду одну вещь при использовании параметров previous_execution_date и  next_execution_date в  своих задачах: они определяются только для запуска ОАГ после интервала. Таким образом, значения этих параметров будут не определены для всех запусков, которые запускаются вручную с  помощью пользовательского интерфейса Airflow или интерфейса командной строки, поскольку Airflow не может предоставить информацию о следующих или предыдущих интервалах, если вы не соблюдаете интервал.

3.5

Использование обратного заполнения Поскольку Airflow позволяет определять интервалы с произвольной даты начала, мы также можем определить интервалы от даты начала в прошлом. Можно использовать это свойство для выполнения запусков ОАГ для загрузки или анализа наборов архивных данных – это процесс, который обычно называют бэкфиллингом, или обратным заполнением.

3.5.1 Назад в прошлое По умолчанию Airflow будет планировать и  запускать все прошлые интервалы, которые не были выполнены. Таким образом, указание даты начала в прошлом и активация соответствующего ОАГ даст интервалы, которые прошли до выполнения текущего времени. Такое поведение контролируется параметром ОАГ catchup, и его можно отключить, задав для него значение false.

Использование обратного заполнения

Листинг 3.11

83

Отключение параметра catchup во избежание выполнения архивных запусков (dags/09_no_catchup.py)

dag = DAG( dag_id="09_no_catchup", schedule_interval="@daily", start_date=dt.datetime(year=2019, month=1, day=1), end_date=dt.datetime(year=2019, month=1, day=5), catchup=False, )

При такой настройке ОАГ будет запускаться только с  учетом последнего интервала, вместо того чтобы выполнять все открытые интервалы в прошлом (рис. 3.8). Значением catchup по умолчанию можно управлять из конфигурационного файла Airflow, задав значение для параметра конфигурации catchup_ by_default. Catchup = true (по умолчанию) Airflow начинает обработку, включая прошлые интервалы (= бэкфиллинг)

Дата начала

Текущий Сейчас интервал Catchup = false Airflow начинает обработку с текущего интервала

Дата начала

Текущий Сейчас интервал

Рис. 3.8 Обратное заполнение в Airflow. По умолчанию Airflow будет запускать задачи для всех прошедших интервалов до текущего времени. Такое поведение можно отключить, задав для параметра catchup значение false, и в этом случае Airflow начнет выполнять задачи только с текущего интервала

Хотя обратное заполнение – это мощная концепция, она ограничена доступностью данных в исходных системах. Например, в нашем случае мы можем загрузить прошедшие события из нашего API, указав дату начала до 30 дней в прошлом. Однако поскольку API предоставляет только до 30 дней в прошлом, обратное заполнение нельзя использовать для загрузки данных за более ранние дни. Обратное заполнение также можно применять для повторной обработки данных, после того как мы внесли изменения в наш код. Например, предположим, что мы вносим изменения в  функцию calc_ statistics, чтобы добавить новую статистику. Используя обратное заполнение, можно очистить прошлые запуски нашей задачи calc_ statistics, чтобы повторно проанализировать архивные данные с помощью нового кода. Обратите внимание, что в этом случае мы не

Глава 3

84

Планирование в Airflow

ограничены 30-дневным лимитом источника данных, поскольку мы уже загрузили эти более ранние секции данных в рамках прошедших запусков.

3.6

Лучшие практики для проектирования задач Хотя Airflow и выполняет бóльшую часть тяжелой работы, когда дело доходит до обратного заполнения и  повторного выполнения задач, для получения надлежащих результатов необходимо убедиться, что наши задачи соответствуют определенным ключевым свойствам. В  этом разделе мы рассмотрим два наиболее важных свойства правильных задач Airflow: атомарность и идемпотентность.

3.6.1 Атомарность Термин атомарность часто используется в системах баз данных, где атомарная транзакция считается неделимой и  несводимой серией операций с базой данных: либо происходит все, либо не происходит ничего. Так же и в Airflow: задачи должны быть определены таким образом, чтобы они были успешными и давали надлежащий результат, либо терпели неудачу, не влияя на состояние системы (рис. 3.9). Неатомарная операция Запись в CSV-файл Строка 1 Строка 2 Строка 3 … неудача … Строка 1 Строка 2 Строка 3

Отправка статистики

Атомарная операция Есть три строки…

Запись в CSV-файл

Отправка статистики

Строка 1 Строка 2 Строка 3 … неудача … Вывода нет

Рис. 3.9 Атомарность гарантирует, что завершится либо все, либо ничего. Вся работа выполняется целиком, и, как следствие, в дальнейшем можно избежать получения неверных результатов

В качестве примера мы рассмотрим простое расширение нашего ОАГ пользовательских событий, в  котором мы бы хотели добавить функции, позволяющие отправлять электронные письма 10 нашим лучшим пользователям в  конце каждого запуска. Один из простых способов сделать это – расширить нашу предыдущую функцию дополнительным вызовом функции, которая отправляет электронное письмо, содержащее статистику.

Лучшие практики для проектирования задач

Листинг 3.12

85

Два задания в одной задаче для нарушения атомарности (dags/10_non_atomic_send.py)

def _calculate_stats(**context): ""Вычисляет статистику событий."" input_path = context["templates_dict"]["input_path"] output_path = context["templates_dict"]["output_path"] events = pd.read_json(input_path) stats = events.groupby(["date", "user"]).size().reset_index() stats.to_csv(output_path, index=False) email_stats(stats, email="[email protected]") В ходе отправки электронного письма после записи в файл CSV создаются две единицы работы в одной функции, что нарушает атомарность задачи

К сожалению, недостаток такого подхода состоит в том, что задача больше не является атомарной. Понимаете, почему? Если нет, то подумайте, что произойдет, если наша функция _send_stats завершится неудачно (что обязательно произойдет, если наш почтовый сервер ненадежен). В этом случае мы уже запишем статистику в выходной файл в output_path, создавая впечатление, что задача выполнена успешно, даже если она закончилась неудачей. Чтобы реализовать эту функциональность атомарно, можно было бы просто выделить функцию отправки электронной почты в отдельную задачу. Листинг 3.13

Разделение на несколько задач для улучшения атомарности (dags/ 11_atomic_send.py)

def _send_stats(email, **context): stats = pd.read_csv(context["templates_dict"]["stats_path"]) email_stats(stats, email=email) Выделяем оператор email_stats в отдельную задачу с целью атомарности send_stats = PythonOperator( task_id="send_stats", python_callable=_send_stats, op_kwargs={"email": "[email protected]"}, templates_dict={"stats_path": "/data/stats/{{ds}}.csv"}, dag=dag, ) calculate_stats >> send_stats

Таким образом, неудачная попытка отправить электронное письмо больше не влияет на результат задачи calculate_stats, а только приводит к ошибке send_stats, что делает обе задачи атомарными. Исходя из этого примера, можно подумать, что разделения всех операций на отдельные задачи достаточно, чтобы сделать все задачи атомарными. Однако это не всегда так. Чтобы понять, почему, поду-

86

Глава 3

Планирование в Airflow

майте, требовал ли наш API событий, дабы мы выполнили вход перед их запросом. Обычно это требует дополнительного вызова API для получения маркера аутентификации, после чего мы можем начать получать события. Следуя нашим предыдущим рассуждениям о  том, что одна операция  = одна задача, нам пришлось бы разделить эти операции на две отдельные задачи. Однако это вызвало бы сильную зависимость между ними, поскольку вторая задача (получение событий) завершится неудачно без запуска первой задачи незадолго до этого. Такая сильная зависимость между ними означает, что, вероятно, лучше сохранить обе операции в рамках одной задачи, позволяя задаче сформировать единую согласованную единицу работы. Большинство операторов Airflow уже спроектированы как атомарные, поэтому многие операторы включают опции для выполнения тесно связанных операций, таких как внутренняя аутентификация. Однако более гибкие операторы, такие как операторы Python и Bash, могут потребовать от вас тщательно продумать свои операции, чтобы ваши задачи оставались атомарными.

3.6.2 Идемпотентность Еще одно важное свойство, которое следует учитывать при написании задач Airflow,  – это идемпотентность. Задачи называются идемпотентными, если вызов одной и той же задачи несколько раз с одними и теми же входными данными не имеет дополнительного эффекта. Это означает, что повторный запуск задачи без изменения входных данных не должен изменять общий результат. Например, рассмотрим нашу последнюю реализацию задачи fetch_events, которая извлекает результаты за один день и записывает их в секционированный набор данных. Листинг 3.14 Существующая реализация для извлечения событий (dags/08_templated_paths.py) fetch_events = BashOperator( task_id="fetch_events", bash_command=( "mkdir ­p /data/events && " "curl ­o /data/events/{{ds}}.json " "http://localhost:5000/events?" "start_date={{ds}}&" "end_date={{next_ds}}" ), dag=dag, )

Разбиение на разделы путем установки шаблонного имени файла

Повторный запуск этой задачи для заданной даты приведет к тому, что задача получит тот же набор событий, что и при предыдущем выполнении (при условии что дата находится в  пределах 30-дневного

87

Резюме

окна) и  перезаписи существующего файла в  формате JSON в  папке /data/events с тем же результатом. Таким образом, данная реализация задачи fetch_events явно идемпотентна. Чтобы показать пример неидемпотентной задачи, рассмотрим возможность использования файла JSON (/data/events.json), просто добавляя события в  этот файл. В  этом случае повторный запуск задачи приведет к тому, что события просто будут добавлены к существующему набору данных, дублируя события дня (рис.  3.10). Таким образом, эта реализация не является идемпотентной, поскольку дополнительное выполнение задачи меняет общий результат. Неидемпотентная задача

Идемпотентная задача

Попытка 1 Задача обработки данных

Попытка 2 Задача обработки данных

Попытка 3 Задача обработки данных

Попытка 1 Задача обработки данных

Попытка 2 Задача обработки данных

Попытка 3 Задача обработки данных

Строка 1 Строка 2 Строка 3

Строка 1 Строка 2 Строка 3 Строка 1 Строка 2 Строка 3

Строка 1 Строка 2 Строка 3 Строка 1 Строка 2 Строка 3 Строка 1 Строка 2 Строка 3

Строка 1 Строка 2 Строка 3

Строка 1 Строка 2 Строка 3

Строка 1 Строка 2 Строка 3

Рис. 3.10 Идемпотентная задача дает один и тот же результат, независимо от того, сколько раз вы ее запускаете. Идемпотентность обеспечивает последовательность и способность справляться со сбоями

В целом задачи, которые записывают данные, можно сделать идемпотентными, проверив существующие результаты или убедившись, что предыдущие результаты перезаписаны задачей. В  наборах данных с временным разделением это относительно просто, поскольку мы можем лишь перезаписать соответствующую секцию. Точно так же в  случае с  системами баз данных можно использовать операции upsert для вставки данных, что позволяет перезаписывать существующие строки, которые были записаны при выполнении предыдущих задач. Однако в  более универсальных приложениях следует тщательно учитывать все побочные эффекты своих задач и убедиться, что они выполняются идемпотентным образом.

Резюме „

ОАГ могут запускаться через равные промежутки времени, задав интервал.

Глава 3

88

Планирование в Airflow

Запуск задач начинается в конце интервала. Интервал расписания можно сконфигурировать с помощью выражений cron и timedelta. „ Данные можно обрабатывать инкреметно, динамически задавая переменные с помощью шаблонизации. „ Дата выполнения относится к дате начала интервала, а не к фактическому времени выполнения. „ ОАГ можно запускать в  прошлом с  помощью обратного заполнения. „ Идемпотентность обеспечивает возможность повторного выполнения задач с одинаковыми результатами. „ „

4

Создание шаблонов задач с использованием контекста Airflow

Эта глава рассказывает: об отображении переменных во время выполнения с использованием шаблонов; „ о создании шаблонов переменных с помощью PythonOperator и сравнении с другими операторами; „ об отображении шаблонных переменных с целью отладки; „ о выполнении операций с внешними системами. „

В предыдущих главах мы коснулись того, как ОАГ и операторы работают вместе и как спланировать рабочий процесс в Airflow. В этой главе мы подробно рассмотрим, что представляют собой операторы, как они функционируют, а также когда и как они выполняются. Мы продемонстрируем, как использовать операторы для обмена данными с удаленными системами с помощью хуки, что позволяет выполнять такие задачи, как загрузка данных в базу, запуск команды в удаленном окружении и выполнение рабочих нагрузок вне Airflow.

90

Глава 4

4.1

Проверка данных для обработки с помощью Airflow

Создание шаблонов задач с использованием контекста Airflow

В этой главе мы разработаем несколько компонентов операторов с помощью (фиктивного) инструмента прогнозирования фондового рынка, применяющего анализ настроений, который мы назовем StockSense. «Википедия» – один из крупнейших общедоступных информационных ресурсов в интернете. Помимо страниц «Википедии», в открытом доступе существуют и другие вещи, например количество просмотров страниц. Для этого примера мы применим аксиому, согласно которой увеличение количества просмотров страниц компании свидетельствует о положительном настроении, и акции компании, скорее всего, вырастут. С другой стороны, уменьшение количества просмотров говорит нам о падении интереса, и цена акций, вероятно, снизится.

4.1.1 Определение способа загрузки инкрементальных данных Фонд «Викимедиа» (организация, стоящая за «Википедией») предоставляет все данные о просмотрах страниц с 2015 года в машиночитаемом формате1. Данные можно загрузить в формате gzip. Они собраны по часам для каждой страницы. Каждый ежечасный дамп составляет примерно 50 МБ в сжатых текстовых файлах, а в разархивированном виде его размер составляет от 200 до 250 МБ. При работе с  данными это важные детали. Любые данные, и  маленькие, и большие, могут быть сложными, и перед созданием конвейера важно иметь технический план подхода. Решение всегда зависит от того, что вы или другие пользователи хотите делать с данными, поэтому спросите себя и других: «Хотим ли мы снова обрабатывать данные в будущем?», «Как мне получить данные (например, частоту, размер, формат, тип источника)?» и «Что мы будем создавать на основе этих данных?». Получив ответы на эти вопросы, можно обратиться к техническим деталям. Скачаем один из дампов и проверим данные вручную. Чтобы разработать конвейер обработки данных, мы должны понимать, как загружать их поэтапно и как работать с данными (рис. 4.1). Мы видим, что URL-адреса следуют фиксированному шаблону, который можно использовать при загрузке данных в пакетном режиме (кратко упоминается в главе 3). В качестве мысленного эксперимента и для проверки данных посмотрим, какие коды доменов наиболее часто используются для даты 7 июля, 10:00–11:00 (рис. 4.2). 1

https://dumps.wikimedia.org/other/pageviews. Структура и  технические детали данных о  просмотрах страниц «Википедии» можно найти здесь: https://meta.wikimedia.org/wiki/Research:Page_view и  https://wikitech.wikimedia.org/wiki/Analytics/Data_Lake/Traffic/Pageviews.

Проверка данных для обработки с помощью Airflow Формат URL-адреса «Викимедиа» следует этой структуре https://dumps.wikimedia.org/other/pageviews/{year}/ {year}­{month}/pageviews­{year}{month}{day}­{hour}0000.gz Дата и время в имени файла относятся к концу периода, например 210000 относится к 20:00:00–21:00:00 $ wget https://dumps.wikimedia.org/other/pageviews/ 2019/2019­07/pageviews­20190701­010000.gz $ gunzip pageviews­20190701­010000.gz $ head pageviews­20190701­010000 aa Main_Page 1 0 aa Special:GlobalUsers/sysadmin 1 0 aa User_talk:Qoan 1 0 aa Wikipedia:Community_Portal 1 0 aa.d Main_Page 2 0 aa.m Main_Page 1 0 ab 1005 1 0 Заархивированный файл содержит единственный ab 105 2 0 текстовый файл с тем же именем, что и у архива ab 1099 1 0 ab 1150 1 0

Содержимое файла содержит следующие элементы, разделенные пробелами: 1) код домена; 2) заголовок страницы; 3) количество просмотров; 4) размер ответа в байтах. Так, например, «en.m American_Bobtail 6 0» значит шесть просмотров страницы https://en.m.wikipedia.org/wiki/American_Bobtail (представитель семейства кошачьих) за определенный час Данные о просмотрах страниц обычно публикуются примерно через 45 минут после окончания интервала; однако иногда выпуск может занять до 3–4 часов

Рис. 4.1 Скачивание и проверка данных о просмотрах страниц «Викимедиа» $ wget https://dumps.wikimedia.org/other/pageviews/ 2019/2019­07/pageviews­20190707­110000.gz $ gunzip pageviews­20190707­110000.gz $ awk ­F' ' '{print $1}' pageviews­20190707­110000 | sort | uniq ­c | sort ­nr | head 1061202 en 995600 en.m 300753 ja.m 286381 de.m 257751 de 226334 ru 201930 ja 198182 fr.m 193331 ru.m 171510 it.m

Рис. 4.2

Example: aa Main_Page 3 0 af Ford_EcoSport 1 0 ab 1911 1 0 ab 2009 1 0 aa af ab ab aa ab ab af 1 aa 2 ab 1 af 2 ab 1 af 1 aa

Первый простой анализ данных о просмотрах страниц «Викимедиа»

91

92

Глава 4

Создание шаблонов задач с использованием контекста Airflow

Если посмотреть на результаты, находящиеся в  топе, 1061202 en и 995600 en.m, то мы увидим, что наиболее просматриваемыми доменами в  период с  10:00 до 11:00 7 июля являются «en» и  «en.m» (мобильная версия .en), что имеет смысл, учитывая, что английский язык – наиболее часто используемый язык в мире. Кроме того, результаты возвращаются в том виде, в каком мы ожидаем их увидеть, что подтверждает отсутствие неожиданных символов или несовпадения столбцов. Это означает, что нам не нужно выполнять дополнительную обработку для очистки данных. Часто очистка и преобразование данных в согласованное состояние – весомая часть работы.

4.2

Контекст задачи и шаблонизатор Jinja Теперь соберем все это вместе и создадим первую версию ОАГ, учитывая количество просмотров страниц в «Википедии». Начнем с простого: скачивания, распаковки и  чтения данных. Мы выбрали пять компаний (Amazon, Apple, Facebook, Google и Microsoft) для первоначального отслеживания и проверки своей гипотезы (рис. 4.3). Распаковываем содержимое файла .zip

Скачиваем файл с расширением .zip Просмотры страниц в «Википедии»

Рис. 4.3

Локальное хранилище

Извлекаем просмотры страниц

Просмотры страниц за час

Необходимые данные

Первая версия рабочего процесса StockSense

Первый шаг – скачать файл с расширением .zip для каждого интервала. URL-адрес состоит из различных компонентов даты и времени: https://dumps.wikimedia.org/other/pageviews/ {year}/{year}­{month}/pageviews­{year}{month}{day}­{hour}0000.gz

Для каждого интервала нам нужно будет вставить дату и  время в URL-адрес. В главе 3 мы кратко коснулись планирования и того, как использовать дату выполнения в коде для выполнения одного определенного интервала. Давайте подробнее рассмотрим, как это работает. Есть много способов загрузить данные о  просмотрах страниц; однако мы сосредоточимся на операторах BashOperator и PythonOper­ ator. Метод вставки переменных во время выполнения в эти операторы можно распространить на все другие типы операторов.

4.2.1 Создание шаблонов аргументов оператора Для начала скачаем просмотры страниц «Википедии» с  помощью оператора BashOperator, принимающего аргумент bash_command, которому мы предоставляем команду Bash для выполнения – в начале

93

Контекст задачи и шаблонизатор Jinja

и в конце каждого компонента URL-адреса, куда нам нужно вставить переменную, стоят двойные фигурные скобки. Листинг 4.1

Загрузка просмотров страниц «Википедии» с помощью BashOperator

import airflow.utils.dates from airflow import DAG from airflow.operators.bash import BashOperator dag = DAG( dag_id="chapter4_stocksense_bashoperator", start_date=airflow.utils.dates.days_ago(3), schedule_interval="@hourly", ) get_data = BashOperator( task_id="get_data", bash_command=( "curl ­o /tmp/wikipageviews.gz " "https://dumps.wikimedia.org/other/pageviews/" "{{ execution_date.year }}/" "{{ execution_date.year }}­" "{{ '{:02}'.format(execution_date.month) }}/" "pageviews­{{ execution_date.year }}" "{{ '{:02}'.format(execution_date.month) }}" "{{ '{:02}'.format(execution_date.day) }}­" "{{ '{:02}'.format(execution_date.hour) }}0000.gz" ), dag=dag, )

Двойные фигурные скобки обозначают переменную, вставленную во время выполнения

Может быть указана любая переменная или выражение Python

Как было кратко сказано в  главе  3, execution_date  – это одна из переменных, которые «волшебным образом» доступны во время выполнения задачи. Двойные фигурные скобки  – это синтаксис Jinja. Jinja – это шаблонизатор, который заменяет переменные и/или выражения в шаблонной строке во время выполнения. Создание шаблонов используется, когда вам как программисту неизвестна ценность чего-либо на момент написания, но известна ценность во время выполнения. Например: у вас есть форма, в которую вы можете ввести свое имя, и код выводит введенное имя (рис. 4.4). Вставляем здесь имя: print("Hello {{ name }}!")

Двойные фигурные скобки сообщают Jinja, что внутри есть переменная или выражение, которые нужно вычислить

Рис. 4.4 Не все переменные известны заранее при написании кода, например при использовании таких интерактивных элементов, как формы

94

Глава 4

Создание шаблонов задач с использованием контекста Airflow

Значение name неизвестно при программировании, потому что пользователь введет свое имя в форму во время выполнения. Что мы действительно знаем, так это то, что вводимое значение присваивается переменной name, после чего мы можем предоставить шаблонную строку «Hello {{name}}!», чтобы отобразить и вставить значения name во время выполнения. В Airflow есть ряд переменных, доступных во время выполнения из контекста задачи. Одна из таких переменных – execution_date. Airflow использует библиотеку Pendulum (https://pendulum.eustace.io) для работы с модулем datetime, а execute_date – это объект datetime. Это прямая замена встроенному модулю datetime в Python, поэтому все методы, которые могут быть применены к Python, также можно применить и к Pendulum. Равно как можно использовать datetime.now().year, вы можете получить тот же результат с pendulum.now().year. Листинг 4.2

В Pendulum мы наблюдаем аналогичное поведение, что и в Python

>>> from datetime import datetime >>> import pendulum >>> datetime.now().year 2020 >>> pendulum.now().year 2020

URL-адрес просмотров страниц «Википедии» требует использования нулей при заполнении месяцев, дней и часов (например, «07» – это седьмой час). Поэтому внутри строки шаблонизатора Jinja мы применяем форматирование строк: {{ '{:02}'.format(execution_date.hour) }}

Какие аргументы являются шаблонными? Важно знать, что не все аргументы оператора могут быть шаблонами! Каждый оператор может вести список разрешенных атрибутов, которые можно превратить в шаблоны. По умолчанию это не так, поэтому строка {{name}} будет интерпретирована буквально как {{name}} и не будет шаблонизирована Jinja, если только она не включена в  список атрибутов, которые можно шаблонизировать. Этот список задается атрибутом template_fields для каждого оператора. Атрибуты можно увидеть в документации (https://airflow.apache.org/docs/); перейдите к  выбранному оператору и просмотрите элемент template_fields. Обратите внимание, что элементы в template_fields – это имена атрибутов класса. Обычно имена аргументов, предоставленные __init__, совпадают с  именами атрибутов класса, поэтому все, что перечислено в template_fields, – это один к одному аргументы __init__. Однако технически возможно, что это не так, и следует задокументировать, какому атрибуту класса соответствует аргумент.

Контекст задачи и шаблонизатор Jinja

95

4.2.2 Что доступно для создания шаблонов? Теперь, когда мы понимаем, какие аргументы оператора можно шаблонизировать, какие есть в  нашем распоряжении переменные для этого? Мы видели, что ранее в ряде примеров использовалась переменная execution_date, но доступны и другие. С помощью PythonOp­ erator можно вывести полный контекст задачи и изучить его. Листинг 4.3

Вывод контекста задачи

import airflow.utils.dates from airflow import DAG from airflow.operators.python import PythonOperator dag = DAG( dag_id="chapter4_print_context", start_date=airflow.utils.dates.days_ago(3), schedule_interval="@daily", ) def _print_context(**kwargs): print(kwargs) print_context = PythonOperator( task_id="print_context", python_callable=_print_context, dag=dag, )

При выполнении этой задачи выводится словарь всех доступных переменных в контексте задачи. Листинг 4.4

Все переменные контекста для заданной даты выполнения

{ 'dag': , 'ds': '2019-07-04', 'next_ds': '2019-07-04', 'next_ds_nodash': '20190704', 'prev_ds': '2019-07-03', 'prev_ds_nodash': '20190703', ... }

Все переменные записываются в  ** kwargs и  передаются функции print(). Все эти переменные доступны в  среде выполнения. В  табл.  4.1 содержится описание всех доступных переменных контекста задачи.

96

Глава 4

Таблица 4.1 Ключ conf dag dag_run ds ds_nodash execution_date

Создание шаблонов задач с использованием контекста Airflow

Все переменные контекста задачи Описание Предоставляет доступ к конфигурации Airflow Текущий объект ОАГ Текущий объект DagRun execution_date в формате %Г-%м-%д execution_date в формате %Г%м%д Дата начала и время интервала задачи

Сокращение для task.inlets, функции для отслеживания источников входных данных для происхождения данных macros Модуль airflow.macros next_ds execution_date следующего интервала (= конец текущего интервала) в формате %Г-% м-%д next_ds_nodash execution_date следующего интервала (= конец текущего интервала) в формате %Г%м%д next_execution_date Дата начала и время следующего интервала задачи (= конец текущего интервала) outlets Сокращение для task.outlets, функции для отслеживания источников выходных данных для происхождения данных params Пользовательские переменные для контекста задачи prev_ds execution_date предыдущего интервала в формате %Г-%м-%д prev_ds_nodash execution_date предыдущего интервала в формате %Г%м%д prev_execution_date Дата начала и время предыдущего интервала задачи prev_execution_ Дата начала и время последнего успешно date_success завершенного запуска одной той же задачи (только в прошлом) prev_start_date_ Дата и время начала последнего успешного success запуска одной и той же задачи (только в прошлом) run_id run_id объекта DagRun (обычно ключ состоит из префикса + datetime) task Текущий оператор task_instance Текущий объект TaskInstance task_instance_ Уникальный идентификатор текущего key_str объекта TaskInstance ({dag_id}__{task_id}__ {ds_nodash}) templates_dict Пользовательские переменные для контекста задачи test_mode Работает ли Airflow в тестовом режиме (свойство конфигурации) ti Текущий объект TaskInstance, то же, что и task_instance inlets

Пример Объект airflow.configuration .AirflowConfigParser Объект ОАГ Объект DagRun “2019-01-01” “20190101” Объект pendulum.datetime .DateTime [] Модуль macros “2019-01-02” “20190102” Объект pendulum.datetime .DateTime [] {} “2018-12-31” “20181231” Объект pendulum.datetime .DateTime Объект pendulum.datetime .DateTime Объект pendulum.datetime .DateTime “manual__2019-0101T00:00:00+00:00” Объект PythonOperator Объект TaskInstance “dag_id__task_id__20190101” {} False Объект TaskInstance

Контекст задачи и шаблонизатор Jinja

Таблица 4.1

97

(окончание)

Ключ

Описание

ds плюс один день ds_nodash плюс один день execution_date, отформатированная в соответствии с форматом ISO8601 ts_nodash execution_date в формате %Г%м%дВ%Ч%М%С ts_nodash_with_tz ts_nodash с информацией о часовом поясе var Объекты-помощники для работы с переменными Airflow yesterday_ds ds минус один день yesterday_ds_nodash ds_nodash минус один день tomorrow_ds tomorrow_ds_nodash ts

Пример “2019-01-02” “20190102” “2019-01-01T00:00:00+00:00” “20190101T000000” “20190101T000000+0000 {} “2018-12-31” “20181231”

Выведено с использованием PythonOperator, запущенного вручную в ОАГ с датой выполнения 2019-01-01T00: 00: 00, интервал с @daily.

4.2.3 Создание шаблона для PythonOperator PythonOperator является исключением из того, что было показано в  разделе 4.2.1. С  помощью BashOperator (и всех других операторов в Airflow) вы предоставляете строку аргументу bash_command (или любому другому аргументу в других операторах), который автоматически шаблонизируется во время выполнения. PythonOperator является исключением из этого стандарта, потому что он не принимает аргументы, которые можно шаблонизировать, используя контекст среды выполнения. Вместо этого он принимает аргумент python_callable, в котором можно применить данный контекст. Проверим код для скачивания просмотров страниц «Википедии», как показано в листинге 4.1, с помощью BashOperator, но теперь уже реализованного с  использованием PythonOperator. Функционально это приводит к тому же поведению. Листинг 4.5

Загрузка просмотров страниц «Википедии» с помощью PythonOperator

from urllib import request import airflow from airflow import DAG from airflow.operators.python import PythonOperator dag = DAG( dag_id="stocksense", start_date=airflow.utils.dates.days_ago(1), schedule_interval="@hourly", )

98

Глава 4

Создание шаблонов задач с использованием контекста Airflow

def _get_data(execution_date): year, month, day, hour, *_ = execution_date.timetuple() url = ( "https://dumps.wikimedia.org/other/pageviews/" f"{year}/{year}­{month:0>2}/" f"pageviews­{year}{month:0>2}{day:0>2}­{hour:0>2}0000.gz" ) output_path = "/tmp/wikipageviews.gz" request.urlretrieve(url, output_path) get_data = PythonOperator( task_id="get_data", python_callable=_get_data, dag=dag, )

PythonOperator принимает функцию Python, тогда как BashOperator принимает команду Bash в качестве строки для выполнения

Функции – это объекты первого класса в Python, и мы предоставляем вызываемый объект1 (функция – это вызываемый объект) аргументу python_callable оператора PythonOperator. При выполнении PythonOperator выполняет предоставленный вызываемый объект, которым может быть любая функция. Поскольку это функция, а не строка, как у всех других операторов, код внутри функции нельзя шаблонизировать автоматически. Вместо этого в  данной функции можно указать и использовать переменные контекста задачи, как показано на рис. 4.5.

Все переменные для этого экземпляра задачи Все переменные, переданные в kwargs

Рис. 4.5

Предоставление контекста задачи с помощью PythonOperator

1

В Python любой объект, реализующий __call __ (), считается вызываемым.

Контекст задачи и шаблонизатор Jinja

99

provide_context в Airflow 1 и PythonOperator в Airflow 2 В Airflow 1 переменные контекста задачи должны быть указаны явно путем задания в  PythonOperator значения True аргументу provide_con­ text: provide_context=True. Так вы передаете все (!) переменные контекста задачи вызываемому объекту: PythonOperator( task_id="pass_context", python_callable=_pass_context, provide_context=True, dag=dag, )

В Airflow 2 PythonOperator определяет, какие контекстные переменные должны быть переданы вызываемому объекту, выводя их из имен вызываемых аргументов. Поэтому больше не нужно задавать значение True: PythonOperator( task_id="pass_context", python_callable=_pass_context, dag=dag, )

Для обеспечения обратной совместимости аргумент provide_context по-прежнему поддерживается в Airflow 2; однако при работе в Airflow 2 его можно безопасно удалить.

Python позволяет собирать ключевые аргументы в функции. Здесь есть различные варианты, в основном если вам неизвестны заранее предоставленные ключевые аргументы и чтобы избежать необходимости явно выписывать все ожидаемые имена ключевых аргументов. Листинг 4.6

Ключевые аргументы, хранящиеся в kwargs

def _print_context(**kwargs): print(kwargs)

При сборе ключевых аргументов можно использовать два символа **. По соглашению собирающий аргумент называется kwargs

Чтобы сообщить себе в будущем и другим специалистам, которые будут читать код, о своих намерениях собирать переменные контекста задачи в ключевых аргументах, рекомендуется присвоить этому аргументу соответствующее имя (например, «context»). Листинг 4.7

Переименовываем kwargs в context, чтобы выразить намерение сохранить контекст задачи

def _print_context(**context): print(context) print_context = PythonOperator(

Переименовывая этот аргумент в context, мы указываем на то, что ожидаем контекст задачи Airflow

100

Глава 4

Создание шаблонов задач с использованием контекста Airflow

task_id="print_context", python_callable=_print_context, dag=dag, )

Контекстная переменная – это словарь всех переменных контекста, что позволяет нам задавать задаче различное поведение для интервала, в котором она выполняется, например для вывода даты и времени начала и окончания текущего интервала: Листинг 4.8

Вывод даты начала и окончания интервала

def _print_context(**context): start = context["execution_date"] end = context["next_execution_date"] print(f"Start: {start}, end: {end}")

Извлекаем execution_date из контекста

print_context = PythonOperator( task_id="print_context", python_callable=_print_context, dag=dag ) # Выводит, например: # Start: 2019­07­13T14:00:00+00:00, end: 2019­07­13T15:00:00+00:00

Теперь, когда мы рассмотрели несколько основных примеров, разберем оператор PythonOperator, скачивающий ежечасные просмотры страниц «Википедии», как показано в листинге 4.5 (рис. 4.6). Переменные контекста задачи

Извлекаем компоненты datetime из execution_date

def _get_data(**context): year, month, day, hour, *_ = context["execution_date"].timetuple() url = ( "https://dumps.wikimedia.org/other/pageviews/" f"{year}/{year}-{month:0>2}/pageviews-{year}{month:0>2}{day:0>2}-{hour:0>2}0000.gz" ) output_path = "/tmp/wikipageviews.gz" request.urlretrieve(url, output_path) Форматируем URL-адрес с компонентами datetime

Получаем данные

Рис. 4.6 PythonOperator принимает функцию вместо строковых аргументов, и, следовательно, в данном случае нельзя использовать шаблонизатор Jinja. В этой вызываемой функции мы извлекаем компоненты datetime из execution_date для динамического создания URL-адреса

Функция _get_data, вызываемая PythonOperator, принимает один аргумент: **context. Как было показано ранее, мы можем принять все ключевые аргументы в одном аргументе: **kwargs (двойная звездочка указывает на все ключевые аргументы, а kwargs – это фактическое имя переменной). Чтобы указать на то, что мы ожидаем переменные

Контекст задачи и шаблонизатор Jinja

101

контекста задачи, можно было бы переименовать его в  **context. Хотя в Python есть еще один способ принимать ключевые аргументы. Листинг 4.9

Явное ожидание переменной execute_date

def _get_data(execution_date, **context): year, month, day, hour, *_ = execution_date.timetuple() # ... Так мы сообщаем Python, что ожидаем получить аргумент execute_date. Он не будет собран в аргумент context

Вот что происходит под капотом: функция _get_data вызывается со всеми контекстными переменными в качестве ключевых аргументов: Листинг 4.10

Все переменные контекста передаются в виде ключевых аргументов

_get_data(conf=..., dag=..., dag_run=..., execution_date=..., ...)

Затем Python проверит, ожидается ли какой-либо из указанных аргументов в сигнатуре функции (рис. 4.7). _get_data(conf=..., dag=..., dag_run=..., execution_date=..., ...) Аргумент conf есть в сигнатуре?

Если нет, то добавляем **context

def _get_data(execution_date, **context): year, month, day, hour, *_ = execution_date.timetuple() # ...

Рис. 4.7 Python определяет, передается ли заданный ключевой аргумент одному конкретному аргументу функции или аргументу **, если подходящее имя не найдено

Проверяется первый аргумент conf; и в сигнатуре функции _get_ data он не обнаружен (ожидаются аргументы). Таким образом, он добавляется в **context. То же самое проделывается для dag и dag_run, поскольку оба аргумента не входят в ожидаемые аргументы функции. Далее это переменная execution_date, которую мы ожидаем получить, и,  таким образом, значение передается аргументу execution_ date в функции _get_data() (рис. 4.8). _get_data(conf=..., dag=..., dag_run=..., execution_date=..., ...) execution_date есть в сигнатуре? Если да, то передаем аргументу def _get_data(execution_date, **context): year, month, day, hour, *_ = execution_date.timetuple() # ...

Рис. 4.8 Функция _get_data ожидает аргумент execution_date. Значение по умолчанию не задано, поэтому случится сбой, если оно не будет предоставлено

102

Глава 4

Создание шаблонов задач с использованием контекста Airflow

Конечный результат этого примера  – ключевое слово execution_ date передается аргументу execution_date, а все другие переменные передаются **context, поскольку они явно не ожидаются в сигнатуре функции (рис. 4.9). _get_data(conf=..., dag=..., dag_run=..., execution_date=..., ...)

def _get_data(execution_date, **context): year, month, day, hour, *_ = execution_date.timetuple() # ...

Рис. 4.9 Любой именованный аргумент может быть передан функции _get_data(). execution_date нужно предоставить явно, потому что он указан как аргумент, все остальные аргументы собирает **context

Теперь мы можем напрямую использовать переменную execu­ tion_date, вместо того чтобы извлекать ее из **context с  помощью context["execution_date"]. Кроме того, ваш код будет более понятным, а такие инструменты, как статические анализаторы и механизм, позволяющий указывать на ожидаемый тип значения (type hinting), выиграют от явного определения аргументов.

4.2.4 Предоставление переменных PythonOperator Теперь, когда мы увидели, как контекст задачи работает в  операторах и  как Python работает с  ключевыми аргументами, представьте, что нам нужно загрузить данные из нескольких источников данных. Функцию _get_data() можно продублировать и  немного изменить, чтобы поддерживать второй источник данных. Однако PythonOpera­ tor также поддерживает предоставление дополнительных аргументов вызываемой функции. Например, предположим, что мы начинаем с конфигурирования output_path, чтобы, в зависимости от задачи, можно было настроить output_path, вместо того чтобы дублировать всю функцию, просто чтобы изменить выходной путь (рис. 4.10).

def _get_data(output_path, **context): year, month, day, hour, *_ = context["execution_date"].timetuple() url = ( "https://dumps.wikimedia.org/other/pageviews/" f"{year}/{year}-{month:0>2}/pageviews-{year}{month:0>2}{day:0>2}-{hour:0>2}0000.gz" ) output_path = "/tmp/wikipageviews.gz" request.urlretrieve(url, output_path) output_path теперь настраивается с помощью аргумента

Рис. 4.10 Теперь output_path можно сконфигурировать с помощью аргумента

Контекст задачи и шаблонизатор Jinja

103

Значение output_path можно указать двумя способами. Первый – через аргумент: op_args. Листинг 4.11

Предоставляем определяемые пользователем переменные вызываемому объекту PythonOperator

get_data = PythonOperator( task_id="get_data", python_callable=_get_data, op_args=["/tmp/wikipageviews.gz"], dag=dag, )

Предоставляем дополнительные переменные вызываемому объекту с помощью op_args

При выполнении оператора каждое значение в списке, предоставленное аргументу op_args, передается в вызываемую функцию (т. е. здесь тот же эффект, что и  при прямом вызове функции: _get_data ("/tmp/wikipageviews.gz")). Поскольку output_path на рис. 4.10 – это первый аргумент функции _get_data, при запуске его значение будет выглядеть так: /tmp/wikipageviews.gz (мы называем их неключевые аргументы). Второй подход – использовать аргумент op_kwargs, показанный в листинге 4.12. Листинг 4.12

Предоставляем определяемый пользователем kwargs вызываемому объекту

Словарь, предоставленный op_kwargs, get_data = PythonOperator( будет передан в качестве ключевых task_id="get_data", аргументов вызываемому объекту python_callable=_get_data, op_kwargs={"output_path": "/tmp/wikipageviews.gz"}, dag=dag, )

Подобно op_args, все значения в op_kwargs передаются вызываемой функции, но на этот раз как ключевые аргументы. Эквивалентный вызов _get_data будет выглядеть так: _get_data(output_path="/tmp/wikipageviews.gz")

Обратите внимание, что эти значения могут содержать строки, а  следовательно, их можно шаблонизировать. Это означает, что мы могли бы избежать извлечения компонентов datetime внутри самой вызываемой функции и вместо этого передать шаблонные строки вызываемой функции. Листинг 4.13

Предоставление шаблонных строк в качестве ввода для вызываемой функции

def _get_data(year, month, day, hour, output_path, **_): url = ( "https://dumps.wikimedia.org/other/pageviews/" f"{year}/{year}­{month:0>2}/"

104

Глава 4

Создание шаблонов задач с использованием контекста Airflow

f"pageviews­{year}{month:0>2}{day:0>2}­{hour:0>2}0000.gz" ) request.urlretrieve(url, output_path) get_data = PythonOperator( task_id="get_data", python_callable=_get_data, op_kwargs={ "year": "{{ execution_date.year }}", "month": "{{ execution_date.month }}", "day": "{{ execution_date.day }}", "hour": "{{ execution_date.hour }}", "output_path": "/tmp/wikipageviews.gz", }, dag=dag, )

Определяемые пользователем ключевые аргументы шаблонизируются перед передачей вызываемому объекту

4.2.5 Изучение шаблонных аргументов Полезный инструмент для отладки проблем с шаблонными аргументами  – пользовательский интерфейс Airflow. Вы можете проверить значения шаблонных аргументов после запуска задачи, выбрав ее на диаграмме или в дереве и щелкнув по кнопке Rendered Template (Визуализированный шаблон) (рис. 4.11).

Рис. 4.11

Проверка отображаемых шаблонных значений после запуска задачи

Подключение других систем

105

Это представление отображает все атрибуты данного оператора, которые можно визуализировать, и  их значения. Оно отображается для каждого экземпляра задачи. Следовательно, задача должна быть запланирована Airflow, прежде чем можно будет проверить отображаемые атрибуты для данного экземпляра задачи (то есть нужно дождаться, пока Airflow спланирует следующую задачу, например). Во время разработки это может оказаться непрактичным. Интерфейс командной строки Airflow позволяет отображать шаблонные значения для любого заданного datetime. Листинг 4.14

Отображение шаблонных значений для любой заданной даты выполнения

# airflow tasks render stocksense get_data 2019­07­19T00:00:00 # ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ # property: templates_dict # ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ None # ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ # property: op_args # ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ [] # ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ # property: op_kwargs # ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ {'year': '2019', 'month': '7', 'day': '19', 'hour': '0', 'output_path': '/tmp/wikipageviews.gz'}

Интерфейс командной строки предоставляет нам ту же информацию, которая показана в  пользовательском интерфейсе Airflow, без необходимости запускать задачу, что упрощает проверку результата. Команда для визуализации шаблонов с помощью интерфейса командной строки выглядит так: airflow tasks render [dag id] [task id] [desired execution date]

Вы можете ввести любое значение даты и времени, а интерфейс командной строки Airflow отобразит все шаблонные атрибуты, как если бы задача выполнялась в  нужное время и  дату. При использовании интерфейса командной строки в базе метаданных ничего не регистрируется. Таким образом, это более легковесный и гибкий вариант.

4.3

Подключение других систем Теперь, когда мы разобрались, как работает шаблонизация, продолжим наш пример, обработав ежечасные просмотры страниц «Википедии». Следующие два оператора будут извлекать архив и  обрабатывать извлеченный файл, просматривая его и выбирая количество

106

Глава 4

Создание шаблонов задач с использованием контекста Airflow

просмотров страниц для заданных имен страниц. Результат затем будет выведен в журналах. Листинг 4.15

Чтение просмотров страниц для заданных имен страниц

extract_gz = BashOperator( task_id="extract_gz", bash_command="gunzip ­­force /tmp/wikipageviews.gz", dag=dag, ) Открываем файл, написанный def _fetch_pageviews(pagenames): в предыдущем result = dict.fromkeys(pagenames, 0) задании Извлекаем with open(f"/tmp/wikipageviews", "r") as f: элементы for line in f: на строке domain_code, page_title, view_counts, _ = line.split(" ") if domain_code == "en" and page_title in pagenames: Фильтруем только result[page_title] = view_counts Проверяем, находится ли домен "en" page_ title в pagenames print(result) # Выводит, например, "{'Facebook': '778', 'Apple': '20', 'Google': '451', 'Amazon': '9', 'Microsoft': '119'}" fetch_pageviews = PythonOperator( task_id="fetch_pageviews", python_callable=_fetch_pageviews, op_kwargs={ "pagenames": { "Google", "Amazon", "Apple", "Microsoft", "Facebook", } }, dag=dag, )

Будет выведено, например, следующее: {'Apple': '31', 'Microsoft': '87', 'Amazon': '7', 'Facebook': '228', 'Google': '275'}. В  качестве первого улучшения мы бы хотели записать эти цифры в собственную базу данных, что позволит нам обращаться к ней с помощью SQL-запросов и  задавать такие вопросы, как «Каково среднее количество просмотров страницы в  час на странице Google в  “Википедии”»?» (рис. 4.12). У нас есть база данных Postgres для хранения почасовых просмотров страниц. Таблица для хранения данных состоит из трех столбцов, как показано в листинге 4.16.

107

Подключение других систем Скачиваем файл с расширением .zip Просмотры страниц в «Википедии»

Распаковываем содержимое файла .zip

Локальное хранилище

Извлекаем просмотры страниц

Просмотры страниц за час

Запись в базу данных

Необходимые данные

База данных SQL

Рис. 4.12 Концептуальное представление рабочего процесса. После извлечения просмотров страниц запишите количество просмотров в базу данных SQL

Листинг 4.16

Оператор CREATE TABLE для хранения вывода

CREATE TABLE pageview_counts ( pagename VARCHAR(50) NOT NULL, pageviewcount INT NOT NULL, datetime TIMESTAMP NOT NULL );

Столбцы pagename и  pageviewcount содержат название страницы «Википедии» и  количество просмотров этой страницы за определенный час соответственно. Столбец datetime будет содержать дату и время для подсчета, что соответствует execution_date для интервала в Airflow. Пример запроса с использованием операции INSERT будет выглядеть следующим образом. Листинг 4.17

Операция INSERT, сохраняющая вывод в таблице pageview_counts

INSERT INTO pageview_counts VALUES ('Google', 333, '2019­07­17T00:00:00');

На данный момент этот код выводит найденное количество просмотров страницы, и теперь нам нужно соединить точки, записав эти результаты в таблицу Postgres. В настоящее время PythonOperator выводит результаты, но не записывает их в базу данных, поэтому нам понадобится вторая задача для записи результатов. В Airflow есть два способа передачи данных между задачами: „ использовать базу метаданных Airflow для записи и чтения результатов между задачами. Она называется XCom и рассматривается в главе 5; „ записывать результаты в постоянное место и из него (например, на диск или в базу данных) между задачами. Задачи Airflow выполняются независимо друг от друга, возможно, на разных физических машинах в  зависимости от настройки, и  поэтому не могут совместно использовать объекты в памяти. Следовательно, данные между задачами должны храниться в другом месте, где они находятся после завершения задачи и могут быть прочитаны другой задачей. Airflow предоставляет один механизм «из коробки» под названием XCom, позволяющий сохранять и  позже читать любой объект, кото-

108

Глава 4

Создание шаблонов задач с использованием контекста Airflow

рый можно сериализовать с помощью модуля pickle, в базу метаданных Airflow. Pickle – это протокол сериализации Python, а сериализация означает преобразование объекта в  памяти в  формат, который можно сохранить на диске для повторного чтения позже, возможно, другим процессом. По умолчанию все объекты, построенные на основе базовых типов Python (например, string, int, dict, list), могут быть сериализованы. Примерами объектов, которые нельзя сериализовать, являются подключения к базам данных и обработчики файлов. Использование XComs для хранения сериализуемых объектов подходит только для небольших объектов. Поскольку база метаданных Airflow (обычно это база данных MySQL или Postgres) имеет конечный размер, а сериализуемые с помощью модуля pickle объекты хранятся в больших двоичных объектах в базе метаданных, обычно рекомендуется применять XComs только для передачи небольших фрагментов данных, например нескольких строк (таких как список имен). Альтернативой для передачи данных между задачами является хранение данных за пределами Airflow. Количество способов хранения данных безгранично, но обычно для этого создается файл на диске. В  нашем примере мы извлекли несколько строк и  целых чисел, которые сами по себе не занимают много места. Помня о том, что может быть добавлено больше страниц и, таким образом, размер данных в будущем может вырасти, мы будем думать наперед и сохранять результаты на диске, вместо того чтобы использовать XCom’ы. Чтобы решить, как хранить промежуточные данные, мы должны знать, где и как данные будут использоваться снова. Поскольку целевая база данных – это Postgres, мы будем использовать PostgresOperator для вставки данных. Во-первых, нужно установить дополнительный пакет, чтобы импортировать класс PostgresOperator в свой проект: pip install apache­airflow­providers­postgres

Пакеты провайдеров Airflow 2 Начиная с  Airflow 2 большинство операторов устанавливаются с  помощью отдельных пакетов pip. Это позволяет избежать установки зависимостей, которые вы, вероятно, не будете использовать, сохраняя небольшой размер основного пакета Airflow. Все дополнительные пакеты pip называются apache­airflow­providers­*

В Airflow осталось лишь несколько основных операторов, таких как Bash­ Operator и  PythonOperator. Обратитесь к  документации Airflow, чтобы найти пакет apache-airflow-providers для своих нужд.

PostgresOperator выполнит любой запрос, который вы ему предоставите. Поскольку этот оператор не поддерживает вставки из дан-

109

Подключение других систем

ных в формате CSV, для начала мы напишем SQL-запросы в качестве промежуточных данных. Листинг 4.18

Написание инструкций INSERT для передачи в PostgresOperator

def _fetch_pageviews(pagenames, execution_date, **_): result = dict.fromkeys(pagenames, 0) Инициализируем результат для всех with open("/tmp/wikipageviews", "r") as f: просмотров страниц, используя 0 for line in f: domain_code, page_title, view_counts, _ = line.split(" ") if domain_code == "en" and page_title in pagenames: result[page_title] = view_counts Счетчик просмотров страниц with open("/tmp/postgres_query.sql", "w") as f: for pagename, pageviewcount in result.items(): f.write( Для каждого "INSERT INTO pageview_counts VALUES (" результата пишем SQL-запрос f"'{pagename}', {pageviewcount}, '{execution_date}'" ");\n" ) fetch_pageviews = PythonOperator( task_id="fetch_pageviews", python_callable=_fetch_pageviews, op_kwargs={"pagenames": {"Google", "Amazon", "Apple", "Microsoft", "Facebook"}}, dag=dag, )

При выполнении этой задачи будет создан файл (/tmp/postgres_ query.sql) для заданного интервала, содержащий все SQL-запросы, которые будут выполняться PostgresOperator. См. следующий пример. Листинг 4.19 INSERT INSERT INSERT INSERT INSERT

INTO INTO INTO INTO INTO

Несколько запросов с INSERT для оператора PostgresOperator

pageview_counts pageview_counts pageview_counts pageview_counts pageview_counts

VALUES VALUES VALUES VALUES VALUES

('Facebook', 275, '2019­07­18T02:00:00+00:00'); ('Apple', 35, '2019­07­18T02:00:00+00:00'); ('Microsoft', 136, '2019­07­18T02:00:00+00:00'); ('Amazon', 17, '2019­07­18T02:00:00+00:00'); ('Google', 399, '2019­07­18T02:00:00+00:00');

Теперь, когда мы сгенерировали запросы, пришло время соединить последний фрагмент головоломки. Листинг 4.20

Вызов PostgresOperator

from airflow.providers.postgres.operators.postgres import PostgresOperator dag = DAG(..., template_searchpath="/tmp")

Путь для поиска sql-файла

110

Глава 4

Создание шаблонов задач с использованием контекста Airflow

write_to_postgres = PostgresOperator( task_id="write_to_postgres", postgres_conn_id="my_postgres", sql="postgres_query.sql", dag=dag, )

Идентификатор учетных данных, используемых для подключения SQL-запрос или путь к файлу, содержащему SQL-запросы

Соответствующее графовое представление будет выглядеть, как показано на рис. 4.13.

Рис. 4.13 ОАГ, извлекающий ежечасные просмотры страниц из «Википедии» и записывающий результаты в Postgres

PostgresOperator требует заполнить только два аргумента для выполнения запроса к базе данных Postgres. Сложные операции, такие как установка соединения с  базой данных и  его закрытие после завершения, выполняются под капотом. Аргумент postgres_conn_i указывает на идентификатор, содержащий учетные данные для базы данных Postgres. Airflow может управлять такими учетными данными (хранящимися в зашифрованном виде в базе метаданных), а операторы при необходимости могут извлечь их. Не вдаваясь в подробности, можно добавить идентификатор подключения my_postgres в Airflow с помощью интерфейса командной строки. Листинг 4.21

Сохранение учетных данных в Airflow с помощью интерфейса командной строки

airflow connections add \ ­­conn­type postgres \ ­­conn­host localhost \ ­­conn­login postgres \ ­­conn­password mysecretpassword \ my_postgres

Идентификатор подключения

После этого соединение отображается в пользовательском интерфейсе (его также можно создать оттуда). Перейдите в Admin > Connections (Администратор> Подключения), чтобы просмотреть все подключения, хранящиеся в Airflow (рис. 4.14). После завершения ряда запусков ОАГ база данных Postgres будет содержать следующие данные: "Amazon",12,"2019­07­17 00:00:00" "Amazon",11,"2019­07­17 01:00:00"

Подключение других систем "Amazon",19,"2019­07­17 "Amazon",13,"2019­07­17 "Amazon",12,"2019­07­17 "Amazon",12,"2019­07­17 "Amazon",11,"2019­07­17 "Amazon",14,"2019­07­17 "Amazon",15,"2019­07­17 "Amazon",17,"2019­07­17

111

02:00:00" 03:00:00" 04:00:00" 05:00:00" 06:00:00" 07:00:00" 08:00:00" 09:00:00"

Рис. 4.14 Соединение, указанное в пользовательском интерфейсе Airflow

На этом этапе нужно отметить несколько моментов. У ОАГ есть дополнительный аргумент: template_searchpath. Помимо строки INSERT INTO ..., содержимое файлов также можно шаблонизировать. Каждый оператор может читать и создавать шаблоны файлов с определенными расширениями, предоставляя оператору путь к  файлу. В  случае с  PostgresOperator аргумент SQL можно шаблонизировать, и, таким образом, также может быть предоставлен путь к файлу, содержащему SQL-запрос. Будет прочитан любой путь к файлу, заканчивающийся расширением .sql, шаблоны в файле будут визуализированы, а Post­ gresOperator выполнит запросы из файла. Обратитесь к документации операторов и проверьте поле template_ext, содержащее расширения файлов, которые могут быть созданы оператором. ПРИМЕЧАНИЕ Jinja требует, чтобы вы указали путь для поиска файлов, которые можно шаблонизировать. По умолчанию ищется только путь к файлу ОАГ, но, поскольку мы сохранили его в /tmp, Jinja его не найдет. Чтобы добавить пути для поиска, задайте в ОАГ аргумент template_searchpath, и Jinja обойдет путь по умолчанию плюс дополнительные предоставленные пути для поиска.

112

Глава 4

Создание шаблонов задач с использованием контекста Airflow

Postgres – это внешняя система, а  Airflow поддерживает подключение к  широкому спектру внешних систем с  помощью множества операторов в своей экосистеме. Это не лишено смысла: подключение к внешней системе часто требует установки определенных зависимостей, которые позволяют подключаться к  внешней системе и  обмениваться с ней данными. То же самое относится и к Postgres; нужно установить пакет apache­airflow­providerpostgres, чтобы установить дополнительные зависимости Postgres в Airflow. Множество зависимостей – одна из характеристик любой системы оркестровки; чтобы обмениваться данными со множеством внешних систем, установка большого числа зависимостей неизбежна. После выполнения PostgresOperator происходит ряд вещей (рис.  4.15). PostgresOperator создает т. н. хук для обмена данными с  Postgres. Хук занимается созданием подключения, отправкой запросов в Postgres и последующим закрытием подключения. В данной ситуации оператор просто передает запрос от пользователя точке подключения. ПРИМЕЧАНИЕ Оператор определяет, что нужно сделать; хук определяет, как это сделать. Airflow ОАГ База метаданных Airlfow

PostgresOperator postgres_conn_id="my_postgres" sql="postgres_query.sql" PostgresHook

Локальное хранилище

… выполнить запрос …

БД Postgres

Рис. 4.15 Запуск сценария SQL для базы данных Postgres включает несколько компонентов. Укажите правильные настройки для PostgresOperator, а PostgresHook выполнит всю работу под капотом

Создавая подобные конвейеры, вы будете иметь дело только с операторами и не будете иметь никакого представления о хуках, потому что они используются внутри операторов. После нескольких запусков ОАГ база данных Postgres будет содержать несколько записей извлеченных из просмотров страниц «Википедии». Теперь Airflow раз в  час автоматически скачивает новый набор данных почасовых просмотров страниц, распаковывает его, извлекает желаемое количество и записывает их в базу данных Postgres. И мы можем задавать такие вопросы, как «В какое время каждая из страниц наиболее популярна?».

113

Резюме

Листинг 4.22

SQL-запрос, спрашивающий, в какое время каждая из страниц пользуется наибольшей популярностью

SELECT x.pagename, x.hr AS "hour", x.average AS "average pageviews" FROM ( SELECT pagename, date_part('hour', datetime) AS hr, AVG(pageviewcount) AS average, ROW_NUMBER() OVER (PARTITION BY pagename ORDER BY AVG(pageviewcount) DESC) FROM pageview_counts GROUP BY pagename, hr ) AS x WHERE row_number=1;

Этот листинг показывает, что наиболее популярное время для просмотра данных страниц – с 16:00 до 21:00, как показано в табл. 4.2. Таблица 4.2 Результаты запроса, показывающие, какое время является наиболее популярным для каждой страницы Название страницы Amazon Apple Facebook Google Microsoft

Время 18 16 16 20 21

Среднее количество просмотров 20 66 500 761 181

С помощью этого запроса мы завершили предусмотренный рабочий процесс для «Википедии», который выполняет полный цикл загрузки данных о ежечасных просмотрах страниц, обработки данных и записи результатов в базу данных Postgres для будущего анализа. Airflow отвечает за оркестровку правильного времени и порядка запуска задач. С помощью контекста среды выполнения задачи и создания шаблонов код выполняется в течение заданного интервала, используя значения datetime, которые идут с  этим интервалом. Если все настроено правильно, рабочий процесс может работать до бесконечности.

Резюме Некоторые аргументы операторов можно шаблонизировать. Создание шаблонов происходит во время выполнения. „ Шаблонизация PythonOperator отличается от других операторов; переменные передаются указанному вызываемому объекту. „ Результат шаблонных аргументов можно проверить с  помощью команды airflow tasks render. „ Операторы могут обмениваться данными с  другими системами с помощью хуков. „ Операторы описывают, что нужно делать; хуки определяют, как это сделать. „ „

5

Определение зависимостей между задачами

Эта глава: показывает, как определять зависимости задач в ОАГ; „ объясняет, как реализовать соединения с помощью правил триггеров; „ демонстрирует, как ставить задачи в зависимость от определенных условий; „ дает общее представление о том, как правила триггеров влияют на выполнение ваших задач; „ демонстрирует, как использовать XCom’ы для использования состояния в задачах; „ показывает, как Taskflow API в Airflow 2 может помочь упростить ОАГ, которые интенсивно используют задачи Python. „

В предыдущих главах мы видели, как создать базовый ОАГ и  определить простые зависимости между задачами. В этой главе мы подробнее рассмотрим, как именно определяются зависимости задач в Airflow и как использовать эти возможности для реализации более сложных шаблонов, включая условные задачи, ветви и объединения. Ближе к концу главы мы также подробно рассмотрим XCom’ы и обсудим достоинства и недостатки использования данного подхода. Мы покажем, как новый Taskflow API в Airflow 2 может помочь упростить ОАГ, которые интенсивно используют задачи Python и XCom’ы.

115

Базовые зависимости

5.1

Базовые зависимости Прежде чем переходить к более сложным шаблонам зависимостей задач, таким как ветвление и условные задачи, для начала рассмотрим шаблоны зависимостей задач, с  которыми мы столкнулись в  предыдущих главах. Сюда входят линейные цепочки задач (задачи, которые выполняются одна за другой) и  паттерны «один-ко-многим» и  «многие-к-одному» (включающие одну задачу, связанную с  несколькими нижестоящими задачами, или наоборот). Чтобы убедиться, что мы все находимся на одной волне, мы кратко рассмотрим значение этих паттернов в последующих разделах.

5.1.1 Линейные зависимости Пока что мы в основном рассматривали примеры ОАГ, состоящих из одной линейной цепочки задач. Например, ОАГ из главы 2 (рис. 5.1) состоял из цепочки из трех задач: одна для скачивания метаданных запуска, вторая для скачивания изображений и третья, чтобы уведомить нас о завершении процесса.

Библиотека Launch Извлекаем следующие пять запусков

Джон

Система уведомлений

Интернет

Сохранить запуски ракет

Извлечь фотографии ракет

Компьютер Джона

Сохранить фотографии ракет

Отправить уведомление

Компьютер Джона

Рис. 5.1 ОАГ из главы 2 (первоначально показанный на рис. 2.3) состоит из трех задач: скачивание метаданных, извлечение изображений и отправка уведомления

Листинг 5.1

Задачи в ОАГ из главы 2 (chapter02/dags/isting_2_10.py)

download_launches = BashOperator(...) get_pictures = PythonOperator(...) notify = BashOperator(...)

В этом ОАГ каждая задача должна быть завершена перед тем, как перейти к  следующей, потому что результат предыдущей задачи требуется в  качестве ввода для следующей. Как уже было показано,

116

Глава 5

Определение зависимостей между задачами

Airflow позволяет указывать этот тип связи между двумя задачами, создавая зависимость между ними с использованием оператора битового сдвига. Листинг 5.2

Добавление зависимостей между задачами (chapter02/dags /isting_2_10.py)

download_launches >> get_pictures get_pictures >> notify

Поочередно устанавливаем зависимости задач...

download_launches >> get_pictures >> notify

... или устанавливаем несколько зависимостей за раз

Зависимости задач фактически сообщают Airflow, что он может начать выполнение заданной задачи только после того, как ее вышестоящие зависимости будут успешно выполнены. В данном примере это означает, что get_pictures может начать выполнение только после успешного выполнения download_launches. Точно так же задача notify может начаться только после того, как задача get_pictures будет завершена без ошибок. Одно из преимуществ явного указания зависимостей состоит в том, что это четко определяет (неявный) порядок в наших задачах. Это позволяет Airflow планировать задачи только тогда, когда выполняются их зависимости, что более надежно, чем (например) планировать отдельные задачи одну за другой, используя Cron и  надеясь, что предыдущие задачи будут выполнены к моменту запуска второй задачи (рис. 5.2). Более того, все ошибки будут распространяться на нижестоящие задачи, и их выполнение, по сути, будет отложено. Это означает, что в случае сбоя в задаче download_launches Airflow не будет пытаться выполнить задачу get_pictures на этот день, пока не будет решена проблема с download_launches.

5.1.2 Зависимости «один-ко-многим» и «многие-к-одному» Помимо линейных цепочек задач, зависимости задач Airflow могут использоваться для создания более сложных структур зависимостей между задачами. Вернемся к нашему примеру из главы 1, где мы хотели обучить модель для прогнозирования спроса на зонты в ближайшие недели на основе прогноза погоды. Как вы, возможно, помните, основной целью нашего ОАГ было ежедневное получение данных о погоде и продажах из двух разных источников и объединение данных в набор данных для обучения модели. Таким образом, ОАГ (рис. 5.2) начинается с двух наборов задач для извлечения и  очистки входных данных, один для данных о  погоде (fetch_weather и  clean_weather) и  второй для данных о  продажах (fetch_sales и  clean_sales). За этими задачами следует задача (join_datasets), которая берет полученные очищенные данные о продажах и погоде и объединяет их в комбинированный набор данных

117

Базовые зависимости

для обучения модели. Наконец, этот набор данных используется для обучения модели (train_model), после чего финальная задача выполняет развертывание модели (deploy_model). Извлечение прогноза погоды

Очистка данных по прогнозу Объединение наборов данных

Извлечение данных о продажах

Тренировка модели машинного обучения

Развертывание модели машинного обучения

Очистка данных о продажах

Рис. 5.2 Обзор ОАГ из примера в главе 1

Если рассматривать этот ОАГ с точки зрения зависимостей, существует линейная зависимость между задачами fetch_weather и  clean_ weather, поскольку нам нужно извлечь данные из удаленного источника данных, прежде чем мы сможем выполнить какую-либо очистку данных. Однако, поскольку извлечение и очистка данных о погоде не зависят от данных о продажах, между задачами, касающимися погоды и  продаж, нет взаимозависимости. Это означает, что мы можем определить зависимости для задач fetch и clean следующим образом. Листинг 5.3

Добавление линейных зависимостей, которые выполняются параллельно (dags / 01_start.py)

fetch_weather >> clean_weather fetch_sales >> clean_sales

Перед двумя задачами fetch также можно было бы добавить фиктивную задачу start, обозначающую начало нашего ОАГ. В  данном случае эта задача не является строго необходимой, однако она помогает проиллюстрировать неявную зависимость «один-ко-многим», имеющую место в  начале ОАГ, когда при его запуске выполняются задачи fetch_weather и fetch_sales. Такую зависимость (связывание одной задачи с несколькими нижестоящими задачами) можно определить следующим образом: Листинг 5.4

Добавление зависимости «один-ко-многим» (dags/01_start.py)

from airflow.operators.dummy import DummyOperator Создаем фиктивную задачу start start = DummyOperator(task_id="start") Создаем зависимость «один-ко-многим» start >> [fetch_weather, fetch_sales]

В отличие от параллелизма задач fetch и  clean, создание комбинированного набора данных требует ввода данных от веток погоды и  продаж. Таким образом, задача join_ datasets зависит от задач clean_weather и clean_sales и может запускаться только после успеш-

118

Глава 5

Определение зависимостей между задачами

ного завершения обеих вышестоящих задач. Такой тип структуры, в  которой одна задача зависит от нескольких вышестоящих задач, часто называют структурой «многие-к-одному», поскольку она состоит из нескольких вышестоящих задач, которые веером «сходятся» в одной нижестоящей задаче. В Airflow такие зависимости можно определить следующим образом: Листинг 5.5

Добавление зависимости «многие-к-одному» (dags/ 01_start.py)

[clean_weather, clean_sales] >> join_datasets

После этого оставшаяся часть ОАГ представляет собой линейную цепочку задач по обучению и развертыванию модели. Листинг 5.6

Добавление оставшихся зависимостей (dags/01_start.py)

join_datasets >> train_model >> deploy_model

В совокупности это должно дать нечто похожее на ОАГ, изображенный на рис. 5.3.

Рис. 5.3 ОАГ, отображаемый в графовом представлении Airflow. Он выполняет несколько задач, в том числе извлечение и очистку данных о продажах, объединение их в набор данных и использование набора данных для обучения модели. Обратите внимание, что обработка данных о продажах и погоде происходит в отдельных ветвях ОАГ, поскольку эти задачи не зависят друг от друга напрямую

Как вы думаете, что произойдет, если мы сейчас начнем выполнение этого ОАГ? Какие задачи начнут выполняться в первую очередь? Как вы думаете, какие задачи (не) будут запускаться параллельно? Как и следовало ожидать, если мы запустим ОАГ, то Airflow начнет с запуска задачи start (рис. 5.4). После ее завершения он инициирует задачи fetch_sales и fetch_weather, которые будут выполняться параллельно (при условии что Airflow настроен на наличие нескольких воркеров). Завершение любой из задач fetch приведет к запуску соответствующих задач очистки (clean_sales или clean_weather). Только после того, как обе задачи по очистке будут выполнены, Airflow сможет приступить к  выполнению задачи join_datasets. Наконец, остальная часть ОАГ будет выполняться линейно, при этом зада-

Ветвление

119

ча train _model будет запущена, как только будет завершена задача join_datasets, а deploy_model – после завершения задачи train_model.

1

2a

3a

Извлечение данных о погоде

Очистка данных о погоде

Извлечение данных о продажах 2b

Очистка данных о продажах 3b

Запуск

4 Объединение наборов данных

5 Тренировка модели

6 Развертывание модели

Рис. 5.4 Порядок выполнения задач в ОАГ с номерами, указывающими порядок выполнения задач. Airflow запускается с выполнения задачи start, после чего он может запускать задачи fetch_sales и fetch_weather и задачи по очистке параллельно (на что указывает суффикс a/b). Обратите внимание, это означает, что пути weather и sales работают независимо, а значит, 3b может, например, начать выполнение до 2a. После выполнения обеих задач clean остальная часть ОАГ линейно переходит к выполнению задач join, train и deployment

5.2

Ветвление Представьте, что вы только что закончили вводить данные о продажах в свой ОАГ, когда приходит ваш коллега с новостями. Судя по всему, руководство решило, что будет переходить на ERP-системы, а это значит, что данные о продажах будут поступать из другого источника (и, конечно, в другом формате) через одну-две недели. Очевидно, что такое изменение не должно привести к прерыванию обучения нашей модели. Более того, они бы хотели, чтобы мы поддерживали совместимость нашего потока как со старой, так и с новой системами, чтобы мы могли продолжать использовать прошлые данные о продажах в будущем анализе. Как бы вы подошли к решению этой проблемы?

5.2.1 Ветвление внутри задач В качестве одного из подходов можно переписать задачи приема данных о  продажах, чтобы проверить текущую дату выполнения и использовать ее для выбора между двумя отдельными путями кода для приема и обработки данных о продажах. Например, задачу clean_ sales можно было бы переписать примерно так: Листинг 5.7

Ветвление в задаче clean_sales (dags/02_branch_task.py)

def _clean_sales(**context): if context["execution_date"] < ERP_CHANGE_DATE: _clean_sales_old(**context) else _clean_sales_new(**context) ...

Глава 5

120

Определение зависимостей между задачами

clean_sales_data = PythonOperator( task_id="clean_sales", python_callable=_clean_sales, )

В данном примере _clean_sales_old – это функция, выполняющая очистку для старого формата продаж, а _clean_sales_new делает то же самое для нового формата. Пока результат является совместимым (с точки зрения столбцов, типов данных и т. д.), остальная часть ОАГ может оставаться неизменной, и ей не нужно беспокоиться о различиях между двумя ERP-системами. Точно так же мы могли бы сделать наш начальный этап приема данных совместимым с  обеими ERP-системами, добавив пути кода из обеих систем. Листинг 5.8

Ветвление в задаче fetch_sales (dags/02_branch_task.py)

def _fetch_sales(**context): if context["execution_date"] < ERP_CHANGE_DATE: _fetch_sales_old(**context) else: _fetch_sales_new(**context) ...

В совокупности эти изменения позволят ОАГ относительно прозрачно обрабатывать данные из обеих систем, поскольку наши первоначальные задачи по извлечению и очистке данных гарантируют, что данные о продажах будут поступать в том же (обработанном) формате независимо от соответствующего источника данных. Преимущество такого подхода состоит в том, что он позволяет добавить некоторую гибкость в наши ОАГ без необходимости изменять их структуру. Однако такой подход работает только в тех случаях, когда ветви в коде состоят из похожих задач. Здесь, например, в коде есть две ветви, каждая из которых выполняет операции по извлечению и  очистке с  минимальными различиями. Но что, если для загрузки данных из нового источника данных требуется совсем другая цепочка задач (рис. 5.5)? В таком случае, возможно, лучше будет разделить прием данных на два отдельных набора задач.

Старая система

Получаем zip-файл продаж (старый API загрузки)

Извлекаем содержимое zip-файла

Новая система

Получаем данные о продажах (новый REST API)

Очистка данных о продажах

Добавляем информацию о клиенте

Очистка данных о продажах

Рис. 5.5 Возможный пример различных наборов задач между двумя ERP-системами. Если между разными случаями много общего, возможно, вам удастся обойтись одним набором задач и внутренним ветвлением. Однако если между двумя потоками есть много различий (например, как показано здесь), вероятно, лучше выбрать другой подход

Ветвление

121

Еще один недостаток этого подхода заключается в том, что трудно увидеть, какая ветка кода используется Airflow во время определенного запуска ОАГ. Например, глядя на рис.  5.6, можете ли вы определить, какая ERP-система использовалась для этого конкретного запуска ОАГ? На этот, казалось бы, простой вопрос довольно сложно ответить, используя только данное представление, поскольку фактическое ветвление скрыто в задачах. Один из способов решить эту проблему – включить в задачи более эффективное журналирование, но, как мы увидим, есть и  другие способы сделать ветвление более явным в самом ОАГ.

Рис. 5.6 Пример запуска ОАГ, который разветвляется между двумя ERP-системами в рамках задач fetch_sales и clean_sales. Поскольку это ветвление происходит в этих двух задачах, невозможно увидеть, какая ERP-система использовалась в данном запуске. Это означает, что нам нужно будет проверить свой код (или, возможно, журналы), чтобы определить это

Наконец, можно реализовать эту гибкость в своих задачах, только вернувшись к универсальным операторам Airflow, таким как Python­ Operator. Это не дает нам использовать функции, предоставляемые более специализированными операторами, которые позволяют выполнять более сложную работу, прилагая минимальные усилия для написания кода. Например, если бы одним из наших источников данных оказалась база данных SQL, это сэкономило бы нам много работы, если бы мы могли просто использовать MysqlOperator для выполнения SQL-запроса, поскольку это позволяет нам делегировать фактическое выполнение запроса (наряду с аутентификацией и т. д.) предоставленному оператору. К счастью, проверка условий в задачах – не единственный способ выполнить ветвление в  Airflow. В  следующем разделе мы покажем, как вплетать ветви в структуру ОАГ, что обеспечивает бóльшую гибкость, по сравнению с подходом на основе задач.

5.2.2 Ветвление внутри ОАГ Еще один способ поддержки двух разных ERP-систем в одном ОАГ – разработать два разных набора задач (по одному на каждую систему) и предоставить ОАГ выбирать, из какой ERP-системы выполнять задачи по извлечению данных: из старой или из новой (рис. 5.7).

Глава 5

122

Определение зависимостей между задачами

Выполняется только одна из этих двух веток

Запуск

Выбираем ERP-систему

Извлекаем данные о продажах (старая система)

Очистка данных о продажах (старая система)

Извлекаем данные о продажах (новая система)

Очистка данных о продажах (новая система)

Соединяем наборы данных

Рис. 5.7 Поддержка двух ERP-систем с использованием ветвления внутри ОАГ, реализуя разные наборы задач для обеих систем. Airflow может выбирать между этими двумя ветвями, используя определенную задачу ветвления (здесь это «Выбрать ERP-систему»), которая сообщает Airflow, какой набор нижестоящих задач выполнить

Создать два набора задач относительно просто: можно просто создать задачи для каждой ERP-системы по отдельности, используя нужные операторы, и связать соответствующие задачи. Листинг 5.9

Добавление дополнительных задач по извлечению и очистке (dags/03_branch_dag.py)

fetch_sales_old = PythonOperator(...) clean_sales_old = PythonOperator(...) fetch_sales_new = PythonOperator(...) clean_sales_new = PythonOperator(...) fetch_sales_old >> clean_sales_old fetch_sales_new >> clean_sales_new

Теперь нам нужно подключить эти задачи к остальной части ОАГ и убедиться, что Airflow знает, что и когда нужно выполнить. К счастью, Airflow предоставляет встроенную поддержку для выбора между наборами нижестоящих задач с  помощью оператора BranchPythonOperator. Этот оператор (как следует из названия) похож на PythonOperator в том смысле, что принимает вызываемый объект Python в качестве одного из своих основных аргументов. Листинг 5.10

Ветвление с использованием BranchPythonOperator (dags/03_branch_dag.py)

def _pick_erp_system(**context): ... pick_erp_system = BranchPythonOperator( task_id="pick_erp_system", python_callable=_pick_erp_system, )

Однако, в отличие от PythonOperator, вызываемые объекты, передаваемые в  BranchPythonOperator, должны возвращать идентификатор нижестоящей задачи в качестве результата их вычисления. Воз-

Ветвление

123

вращаемый идентификатор определяет, какая из нижестоящих задач будет выполнена после завершения задачи ветвления. Обратите внимание, что вы также можете вернуть список идентификаторов задач, и тогда Airflow выполнит все указанные задачи. В данном случае мы можем реализовать наш выбор между двумя ERP-системами, используя вызываемый объект для возврата соответствующего task_id в зависимости от даты выполнения ОАГ. Листинг 5.11

Добавление функции условия ветвления (dags/03_branch_dag.py)

def _pick_erp_system(**context): if context["execution_date"] < ERP_SWITCH_DATE: return "fetch_sales_old" else: return "fetch_sales_new" pick_erp_system = BranchPythonOperator( task_id="pick_erp_system", python_callable=_pick_erp_system, ) pick_erp_system >> [fetch_sales_old, fetch_sales_new]

Таким образом, Airflow выполнит наш набор задач «старой» ERPсистемы для дат выполнения, наступающих до даты перехода, при выполнении новых задач после этой даты. Теперь все, что нужно сделать, – это связать эти задачи с остальной частью ОАГ. Чтобы связать задачу ветвления с  ОАГ, можно добавить зависимость между предыдущей задачей start и задачей pick_erp_system. Листинг 5.12

Подключение ветви к задаче start (dags/03_branch_dag.py)

start_task >> pick_erp_system

Можно ожидать, что соединить две задачи clean так же просто, как добавить зависимость между задачами clean и задачей join_datasets (аналогично предыдущей ситуации, когда задача clean_sales была подключена к задаче join_datasets). Листинг 5.13

Подключение ветви к задаче join_datasets (dags/03_branch_dag.py)

[clean_sales_old, clean_sales_new] >> join_datasets

Однако если вы это сделаете, то запуск ОАГ приведет к тому, что Airflow пропустит задачу join_datasets и  все нижестоящие задачи. (Можете попробовать, если хотите.) Причина этого состоит в  том, что по умолчанию Airflow требует, чтобы все задачи, стоящие перед данной задачей, успешно заверши-

124

Глава 5

Определение зависимостей между задачами

лись, прежде чем сама задача может быть выполнена. Подключив обе задачи clean к задаче join_datasets, мы создали ситуацию, когда этого не может произойти, поскольку выполняется только одна из задач clean. В результате задача join_datasets так и не сможет быть выполнена, и Airflow пропустит ее (рис. 5.8).

Эти задачи ошибочно пропускаются

Рис. 5.8 Объединение ветвления с неправильными правилами триггеров приведет к пропуску нижестоящих задач. В этом примере задача fetch_sales_new пропускается из-за ветви sales. Это приводит к тому, что все задачи после задачи fetch_sales_new так же пропускаются, а это явно не то, что нам нужно

Такое поведение, определяющее, когда выполняются задачи, контролируется так называемыми правилами триггеров в Airflow. Правила триггеров можно определить для отдельных задач с помощью аргумента trigger_rule, который можно передать любому оператору. По умолчанию для правил триггера установлено значение all_success. Это означает, что все родители соответствующей задачи должны завершиться успешно до того, как задачу можно будет запустить. Такого никогда не происходит при использовании BranchPythonOperator, поскольку он пропускает все задачи, не выбранные веткой. Это объясняет, почему задача join_datasets и все ее нижестоящие задачи также были пропущены Airflow. Чтобы исправить ситуацию, можно изменить правило триггеров join_datasets, чтобы оно сработало, если одна из вышестоящих задач пропущена. Один из способов добиться этого – изменить правило на none_failed. Это указывает на то, что задача должна выполняться, как только все ее родительские задачи будут выполнены и ни одна из них не завершилась сбоем. Листинг 5.14

Исправляем правило триггеров для задачи join_ datasets (dags/03_branch_dag.py)

join_datasets = PythonOperator( ..., trigger_rule="none_failed", )

Таким образом, задача join_datasets начнет выполняться, как только все ее родительские задачи будут выполнены без каких-либо сбоев, что позволит продолжить ее выполнение (рис. 5.9).

Ветвление

125

Рис. 5.9 Ветвление в ОАГ с использованием правила триггеров none_failed для задачи join_datasets, что позволяет ей (и ее нижестоящим зависимостям) по-прежнему выполняться

Один из недостатков такого подхода состоит в том, что теперь у нас есть три ребра, входящих в задачу join_datasets. На самом деле это не отражает характер нашего потока, в  котором мы, по сути, хотим получить данные о продажах и погоде (вначале выбирая между двумя ERP-системами), а затем загрузить эти два источника данных в join_ datasets. По этой причине многие предпочитают сделать условие ветвления более явным, добавляя фиктивную задачу, которая объединяет разные ветви, прежде чем продолжить работу с ОАГ (рис. 5.10).

Рис. 5.10 Чтобы сделать структуру ветвления более понятной, можно добавить дополнительную задачу соединения после ветви, которая связывает разные ветви перед продолжением работы с остальной частью ОАГ. У этой задачи имеется дополнительное преимущество, заключающееся в том, что вам не нужно изменять какие-либо правила триггеров для других задач в ОАГ, поскольку вы можете задать необходимое правило для задачи соединения. (Обратите внимание: это означает, что вам больше не нужно задавать правило триггеров для задачи join_datasets)

Чтобы добавить такую фиктивную задачу в ОАГ, можно использовать встроенный оператор DummyOperator, предоставляемый Airflow. Листинг 5.15

Добавление фиктивной задачи соединения для ясности (dags/04_branch_dag_join.py)

from airflow.operators.dummy import DummyOperator join_branch = DummyOperator(

Глава 5

126

Определение зависимостей между задачами

task_id="join_erp_branch", trigger_rule="none_failed" ) [clean_sales_old, clean_sales_new] >> join_branch join_branch >> join_datasets

Это изменение также означает, что нам больше не нужно изменять правило триггеров для задачи join_datasets, что делает нашу ветку более автономной по сравнению с исходной.

5.3

Условные задачи Airflow также предоставляет другие механизмы для пропуска определенных задач в ОАГ в зависимости от определенных условий. Это позволяет запускать определенные задачи только при наличии определенных наборов данных или лишь в том случае, если ваш ОАГ выполняется для самой последней даты выполнения. Например, в ОАГ, показанном на рис. 5.3, у нас есть задача, которая развертывает каждую модель, которую мы обучаем. Однако подумайте, что произойдет, если коллега внесет изменения в код очистки и захочет использовать обратное заполнение, чтобы применить эти изменения ко всему набору данных. Это приведет к развертыванию большого числа старых экземпляров нашей модели, которые нас определенно не интересуют.

5.3.1 Условия в задачах Можно избежать данной проблемы, изменив ОАГ для развертывания модели только для самого последнего запуска, поскольку это гарантирует, что мы развернем лишь одну версию нашей модели: ту, которая обучена на самом последнем наборе данных. Один из способов сделать это – реализовать развертывание с помощью оператора Py­ thonOperator и явно проверить дату выполнения ОАГ в функции развертывания. Листинг 5.16 Реализация условия в задаче (dags/05_condition_task.py) def _deploy(**context): if context["execution_date"] == ...: deploy_model() deploy = PythonOperator( task_id="deploy_model", python_callable=_deploy, )

Хотя такая реализация должна иметь ожидаемый эффект, у нее есть те же недостатки, что и  у  соответствующей реализации ветвления:

Условные задачи

127

она смешивает логику развертывания с условием. Мы больше не можем использовать какие-либо другие встроенные операторы, кроме PythonOperator, и  отслеживание результатов задачи в  пользовательском интерфейсе Airflow становится менее явным (рис. 5.11).

Рис. 5.11 Пример запуска ОАГ с условием внутри задачи deploy_model. Это гарантирует, что развертывание выполняется только для последнего запуска. Поскольку условие проверяется внутри задачи deploy_model, исходя из этого представления, нельзя определить, действительно ли модель была развернута

5.3.2 Делаем задачи условными Еще один способ реализовать условное развертывание – сделать саму задачу развертывания условной. Это означает, что она выполняется только на основе заранее определенного условия (в этом случае является ли запуск ОАГ самым последним). В Airflow можно сделать задачи условными, добавив задачу в ОАГ, который проверяет указанное условие и обеспечивает пропуск всех нижестоящих задач в случае невыполнения условия. Кроме того, можно сделать развертывание условным, добавив задачу, которая проверяет, является ли текущее выполнение самым последним выполнением ОАГ, и  добавив задачу развертывания после этой задачи. Листинг 5.17

Встраивание условия в ОАГ (dags/06_condition_dag.py)

def _latest_only(**context): ... latest_only = PythonOperator( task_id="latest_only", python_callable=_latest_only, dag=dag, ) latest_only >> deploy_model

Теперь это означает, что наш ОАГ должен выглядеть примерно так, как показано на рис. 5.12, с задачей train_model, подключенной к новой задаче, и задачей deploy_model после этой новой задачи.

128

Глава 5

Определение зависимостей между задачами

Рис. 5.12 Альтернативная реализация ОАГ с условным развертыванием, где условие включается в качестве задачи в ОАГ, что делает условие более явным, чем в предыдущей реализации

Затем нам нужно заполнить функцию _latest_only, чтобы убедиться, что нижестоящие задачи пропускаются, если execution_date не принадлежит самому последнему запуску. Для этого нужно проверить дату выполнения и, при необходимости, вызвать исключение AirflowSkipException из нашей функции. Это способ Airflow, позволяющий указать, что условие и все его нижестоящие задачи должны быть пропущены, тем самым пропуская развертывание. Таким образом, мы получаем следующую реализацию условия: Листинг 5.18

Реализация условия _latest_only (dags/06_condition_dag.py)

from airflow.exceptions import AirflowSkipException def _latest_only(**context): left_window = context["dag"].following_schedule(context["execution_date"]) right_window = context["dag"].following_schedule(left_window) Находим границы для Проверяем, находится ли наше нашего окна now = pendulum.utcnow() текущее время в рамках окна выполнения if not left_window < now > latest_only >> deploy_model

130

Глава 5

Определение зависимостей между задачами

Конечно, для более сложных случаев маршрут на основе Python­ Operator предоставляет больше гибкости для реализации собственных условий.

5.4

Подробнее о правилах триггеров В предыдущих разделах мы видели, как Airflow позволяет нам создавать ОАГ с динамическим поведением, что дает возможность писать код ветвей или условные операторы непосредственно в ОАГ. Бóльшая часть этого поведения регулируется так называемыми правилами триггеров Airflow, которые точно определяют, когда задача выполняется. В предыдущих разделах мы относительно быстро пробежались по правилам триггеров, поэтому теперь мы более подробно рассмотрим, что они собой представляют и что можно с ними делать. Чтобы разбираться в правилах триггеров, сначала нужно изучить, как Airflow выполняет задачи в  рамках запуска ОАГ. По сути, когда Airflow выполняет ОАГ, он постоянно проверяет каждую из ваших задач, чтобы узнать, можно ли ее выполнить. Как только задача будет признана готовой к  выполнению, она выбирается планировщиком, после чего планируется ее выполнение. В результате задача выполняется, как только Airflow получает доступный слот выполнения. Итак, как же Airflow определяет, когда задачу можно выполнить? Вот тут вступают в действие правила триггера.

5.4.1 Что такое правило триггеров? Правила триггеров – это, по сути, условия, которые Airflow применяет к задачам, чтобы определить, готовы ли они к выполнению, ориентируясь на их зависимости (= предшествующие задачи в ОАГ). Правило триггеров по умолчанию  – это all_success, которое гласит, что все зависимости задачи должны быть успешно завершены, прежде чем саму задачу можно будет выполнить. Чтобы понять, что это означает, вернемся к нашей первоначальной реализации ОАГ (рис.  5.4), в  которой не используется никаких правил, кроме правила all_success по умолчанию. Если бы мы начали выполнение этого ОАГ, Airflow начал бы перебирать его задачи, чтобы определить, какие из них можно выполнить (т. е. у каких задач нет зависимостей, которые не были завершены успешно). В данном случае этому условию удовлетворяет только задача start, у которой нет никаких зависимостей. Таким образом, Airflow приступает к выполнению ОАГ, сначала выполняя задачу start (рис. 5.14а). После ее успешного завершения задачи fetch_weather и fetch_sales уже готовы к выполнению, поскольку их единственная зависимость теперь удовлетворяет правилу триггеров (рис.  5.14b). Следуя этому шаблону выполнения, Airflow может продолжить выполнение оставшихся задач в ОАГ, пока тот не будет выполнен целиком.

Подробнее о правилах триггеров

131

А

B

Рис. 5.14 Отслеживание выполнения базового ОАГ (рис. 5.4) с использованием правила триггеров по умолчанию, all_success. (A) Airflow изначально запускает выполнение ОАГ, выполняя единственную задачу, у которой нет предыдущих задач, которые не были выполнены успешно: задача start. (B) После ее успешного выполнения другие задачи уже готовы к выполнению, и Airflow переходит к ним

5.4.2 Эффект неудач Конечно, это только наброски для удачной ситуации, в  которой все наши задачи выполняются успешно. Что, например, произойдет, если одна из наших задач обнаружит ошибку во время выполнения? Это легко проверить, смоделировав сбой в  одной из задач. Например, моделируя неудавшуюся задачу fetch_sales, мы видим, что Airflow записывает сбой, назначая fetch_sales состояние сбоя, а  не состояние успеха (рис. 5.15). Это означает, что нижестоящую задачу clean_sales уже нельзя выполнить, поскольку для ее успешного выполнения необходима задача fetch_sales. В результате задаче clean_ sales присваивается состояние upstream_failed. Это указывает на то, что она не может продолжаться в результате сбоя. Такой тип поведения, при котором результат вышестоящих задач также влияет на нижестоящие задачи, часто называется распространением, поскольку в этом случае сбой по восходящей распространяется на нижестоящие задачи. Эффекты пропущенных задач могут распространяться и по нисходящей, в результате чего все задачи после пропущенной задачи тоже пропускаются. Подобное распространение является прямым результатом определения правила триггеров all_success, которое требует, чтобы все его зависимости были успешно выполнены. Таким образом, если он об-

132

Глава 5

Определение зависимостей между задачами

наруживает пропуск или сбой в зависимости, у него нет другого выбора, кроме как также дать сбой, таким образом распространяя пропуск или неудачное завершение.

Рис. 5.15 Сбой останавливает выполнение нижестоящих задач с помощью правила триггеров по умолчанию, all_success, которое требует, чтобы все вышестоящие задачи были выполнены успешно. Обратите внимание, что Airflow продолжает выполнять задачи, которые не зависят от невыполненной задачи (fetch_weather и clean_weather)

5.4.3 Другие правила Airflow поддерживает и другие правила триггеров, которые допускают различные типы поведения при ответе на успешные, неудачные или пропущенные задачи. Например, вернемся к нашей схеме ветвления между двумя ERPсистемами из раздела 5.2. В этом случае нам пришлось настроить правило триггеров для задачи, соединяющей ветки (задачи join_datasets или join_erp_branch), чтобы избежать пропуска нижестоящих задач, потому что с  правилом триггеров по умолчанию пропуски, идущие из ветки, будут распространяться по нисходящей, в  результате чего все задачи после ветки также будут пропущены. Правило none_failed, напротив, проверяет, все ли вышестоящие задачи были выполнены без сбоев. Это означает, что оно допускает как успешные, так и пропущенные задачи, по-прежнему ожидая завершения всех вышестоящих задач, перед тем как продолжить, что делает это правило подходящим для объединения двух ветвей. Обратите внимание, что с точки зрения распространения это означает, что правило не распространяет пропуски. Однако оно по-прежнему распространяет сбои, а это означает, что любые сбои в задачах fetch/clean по-прежнему будут останавливать выполнение нижестоящих задач. Для обработки иных ситуаций могут использоваться другие правила. Например, правило all_done можно использовать для определения задач, которые выполняются, как только их зависимости завершают выполнение, независимо от результатов. Например, его можно использовать для выполнения кода очистки (например, выключения компьютера или очистки ресурсов), который вы хотели бы запустить

Обмен данными между задачами

133

независимо от того, что произойдет. Еще одна категория правил включает в себя активные правила, такие как one_failed или one_suc­ cess, которые не ждут завершения всех вышестоящих задач перед запуском, а требуют только одной вышестоящей задачи для выполнения своего условия. Таким образом, эти правила можно использовать, чтобы подать сигнал о раннем сбое задач или для ответа, как только одна задача из группы задач будет успешно завершена. Хотя мы не будем здесь подробно рассматривать эти правила, мы надеемся, что это даст вам представление о  роли правил триггеров в  Airflow и  о  том, как их можно использовать для введения более сложного поведения в ОАГ. Полный обзор правил триггеров и некоторых возможных вариантов их использования приводится в табл. 5.1. Таблица 5.1 Обзор правил триггеров, поддерживаемых Airflow Правило триггера all_success all_failed

all_done

one_failed

one_success

none_failed

none_skipped

dummy

5.5

Поведение Срабатывает, когда все родительские задачи были завершены успешно Срабатывает при сбое всех родительских задач (или дали сбой в результате сбоя в родительских задачах)

Пример использования Правило триггера по умолчанию для обычного рабочего процесса Запуск обработки ошибок в ситуациях, когда вы ожидали, по крайней мере, одного успешного завершения среди группы задач Срабатывает, когда все родительские Выполнение кода очистки, который вы задачи завершили свое выполнение, хотите выполнить, когда все задачи независимо от их конечного состояния будут завершены (например, выключение машины или остановка кластера) Срабатывает, как только, по крайней мере, Быстрый запуск кода обработки одна родительская задача потерпела ошибок, например уведомления неудачу; не дожидается завершения или откаты выполнения других родительских задач Срабатывает, как только одна Быстрый запуск нижестоящих из родительских задач завершается вычислений или уведомлений, успешно; не дожидается завершения как только становится доступен один выполнения других родительских задач результат Срабатывает, если ни одна из родительских Объединение условных ветвей в ОА, задач не была неудачной, а либо как показано в разделе 5.2 завершилась успешно, либо была пропущена Срабатывает, если ни одна из родительских Запуск задачи, если все вышестоящие задач не была пропущена, а завершилась задачи были выполнены, игнорируя успешно или неудачно их результат (результаты) Срабатывает независимо от состояния Тестирование любых вышестоящих задач

Обмен данными между задачами Airflow также позволяет обмениваться небольшими фрагментами данных между задачами с  помощью механизма XCom1. Идея XCom 1

XCom – это сокращение от слова cross-communication.

134

Глава 5

Определение зависимостей между задачами

заключается в том, что они, по сути, позволяют обмениваться сообщениями между задачами, обеспечивая некоторый уровень общего состояния.

5.5.1 Обмен данными с помощью XCom Чтобы увидеть, как это работает, вернемся к нашему примеру с зонтами (рис. 5.3). Представьте, что при обучении нашей модели (в задаче train_model) модель регистрируется в  реестре моделей с  использованием случайно сгенерированного идентификатора. Чтобы развернуть обученную модель, нам нужно каким-то образом передать этот идентификатор задаче deploy_model, чтобы она знала, какую версию модели следует развернуть. Один из способов решить эту проблему – использовать XCom, чтобы сообщить идентификатор модели задачам train_model и  deploy_ model. В этом случае задача train_model отвечает за передачу значения XCom, которое, по сути, публикует его и делает доступным для других задач. Мы можем публиковать значения XCom явно в  своей задаче с помощью метода xcom_push, который доступен в экземпляре задачи в контексте Airflow. Листинг 5.20

Явная передача значений Xcom с помощью метода xcom_push (dags/09_xcoms.py)

def _train_model(**context): model_id = str(uuid.uuid4()) context["task_instance"].xcom_push(key="model_id", value=model_id) train_model = PythonOperator( task_id="train_model", python_callable=_train_model, )

Этот вызов xcom_push по сути сообщает Airflow о  необходимости регистрации значения model_id в качестве значения XCom для соответствующей задачи (train_model) и  соответствующего ОАГ и  даты выполнения. После запуска этой задачи вы можете просмотреть эти опубликованные значения в веб-интерфейсе в разделе Admin > XComs (Администрирование > XCom) (рис. 5.16), где показан обзор всех опубликованных значений XCom. Вы можете получить значение XCom в других задачах, используя метод xcom_pull, который является обратной версией метода xcom_push. Листинг 5.21

Получение значений XCom с помощью метода xcom_pull (dags/09_xcoms.py)

def _deploy_model(**context): model_id = context["task_instance"].xcom_pull( task_ids="train_model", key="model_id" )

135

Обмен данными между задачами print(f"Deploying model {model_id}") deploy_model = PythonOperator( task_id="deploy_model", python_callable=_deploy_model, )

Ключ XCom

Значение XCom

ОАГ, задача + дата выполнения, сгенерировавшие запись XCom

Рис. 5.16 Обзор зарегистрированных значений XCom (в разделе Admin > XComs в веб-интерфейсе)

Этот код сообщает Airflow, что нужно извлечь значение XCom с ключом model_id из задачи train_model, соответствующий model_id, который мы ранее поместили в задачу train_model. Обратите внимание, что метод xcom_pull также позволяет определять dag_id и дату выполнения при извлечении значений XCom. По умолчанию для этих параметров задан текущий ОАГ и дата выполнения, чтобы xcom_pull извлекал только значения, опубликованные текущим запуском ОАГ1. Можно проверить, как это работает, запустив ОАГ, который должен дать нам что-то наподобие следующего результата для задачи deploy_ model: [2020-07-29 20:23:03,581] {python.py:105} INFO – Exporting the following env ➥ vars: AIRFLOW_CTX_DAG_ID=chapter5_09_xcoms AIRFLOW_CTX_TASK_ID=deploy_model AIRFLOW_CTX_EXECUTION_DATE=2020­07­28T00:00:00+00:00 AIRFLOW_CTX_DAG_RUN_ID=scheduled__2020­07­28T00:00:00+00:00 [2020-07-29 20:23:03,584] {logging_mixin.py:95} INFO – Deploying model ➥ f323fa68­8b47­4e21­a687­7a3d9b6e105c [2020-07-29 20:23:03,584] {python.py:114} INFO – Done. ➥ Returned value was: None 1

Вы можете указать иные значения для получения значений из других ОАГ или иные даты выполнения, но мы настоятельно рекомендуем не делать этого, если у вас нет на это очень веских причин.

136

Глава 5

Определение зависимостей между задачами

Также можно ссылаться на переменные XCom в шаблонах. Листинг 5.22

Использование значений XCom в шаблонах (dags/10_xcoms_template.py)

def _deploy_model(templates_dict, **context): model_id = templates_dict["model_id"] print(f"Deploying model {model_id}") deploy_model = PythonOperator( task_id="deploy_model", python_callable=_deploy_model, templates_dict={ "model_id": "{{task_instance.xcom_pull( ➥ task_ids='train_model', key='model_id')}}" }, )

Наконец, некоторые операторы также поддерживают автоматическую передачу значений XCom. Например, у оператора BashOperator есть параметр xcom_push, который, если для него задано значение true, сообщает оператору поместить последнюю строку, записанную в std­ out командой bash в качестве значения XCom. Точно так же оператор PythonOperator опубликует любое значение, возвращаемое из вызываемого объекта Python как значение XCom. Это означает, что наш пример также можно записать следующим образом: Листинг 5.23

Использование return (dags/11_xcoms_return.py)

def _train_model(**context): model_id = str(uuid.uuid4()) return model_id

Мы регистрируем XCom с ключом по умолчанию return_value, что можно увидеть, заглянув в раздел администратора (рис. 5.17).

Ключ по умолчанию return_value

Рис. 5.17 Неявные XCom’ы из оператора PythonOperator регистрируются с ключом return_value

Обмен данными между задачами

137

5.5.2 Когда (не) стоит использовать XCom Хотя данный механизм может показаться довольно полезным для разделения состояния между задачами, его использование также имеет некоторые недостатки. Например, один из них заключается в том, что он добавляет скрытую зависимость между задачами, поскольку задача по извлечению (pulling task) неявно зависит от задачи, размещающей требуемое значение. В отличие от явных зависимостей задач, эту зависимость не видно в  ОАГ, и  она не будет учитываться при планировании задач. Таким образом, вы несете ответственность за то, чтобы задачи с зависимостями XCom выполнялись в правильном порядке; Airflow не сделает этого за вас. Такие скрытые зависимости становятся еще более сложными при обмене значениями XCom между разными ОАГ или датами выполнения, что также не является практикой, которой мы бы рекомендовали следовать. Механизм XCom еще может быть своего рода антипаттерном, когда он нарушает атомарность оператора. Например, мы видели, как некоторые использовали оператор для получения API-токена в  одной задаче, а затем передавали его в следующую задачу с помощью XCom. В этом случае недостаток состоял в том, что срок действия токена истекал через пару часов, а это означало, что любой повторный запуск второй задачи окончится неудачей. Возможно, лучше было бы объединить извлечение токена во второй задаче, поскольку таким образом и обновление токена, и выполнение связанной работы происходит за один раз (то есть задача остается атомарной). Наконец, техническое ограничение XCom состоит в том, что любое значение, хранимое XCom, должно поддерживать сериализацию. Это означает, что некоторые типы Python, такие как лямбда-выражения или многие классы, связанные с  многопроцессорностью, обычно нельзя сохранить в XCom (хотя вам, вероятно, все равно не стоит этого делать). Кроме того, размер значения XCom может быть ограничен бэкендом, используемым для их хранения. По умолчанию они хранятся в базе метаданных Airflow и имеют следующие ограничения по размеру: „ SQLite – хранятся как тип BLOB, ограничение 2 ГБ; „ PostgreSQL – хранятся как тип BYTEA, ограничение 1 ГБ; „ MySQL – хранятся как тип BLOB, ограничение 64 КБ. При этом XCom может быть мощным инструментом при правильном использовании. Просто убедитесь, что вы тщательно продумали его использование и четко задокументировали зависимости, которые он вводит между задачами, чтобы избежать сюрпризов в будущем.

5.5.3 Использование настраиваемых XCom-бэкендов Ограничение при использовании базы метаданных Airflow для хранения значений XCom заключается в том, что в целом оно плохо масштабируется, когда речь идет о больших объемах данных. Это озна-

138

Глава 5

Определение зависимостей между задачами

чает, что обычно нужно использовать XCom для хранения отдельных значений или небольших результатов, но не для больших наборов данных. Чтобы обеспечить бóльшую гибкость, в  Airflow 2 появилась возможность указать настраиваемый XCom-бэкенд для развертывания в  Airflow. По сути, эта опция позволяет определить собственный класс, который Airflow будет использовать для хранения и получения XCom’ов. Единственное требование – этот класс наследует от базового класса BaseXCom и  реализует два статических метода для сериализации и десериализации значений соответственно. Листинг 5.24

Каркас для настраиваемого XCom-бэкенда (lib/custom_xcom_backend.py)

from typing import Any from airflow.models.xcom import BaseXCom class CustomXComBackend(BaseXCom): @staticmethod def serialize_value(value: Any): ... @staticmethod def deserialize_value(result) ­> Any: ...

В этом классе метод сериализации вызывается всякий раз, когда значение XCom помещается внутри оператора, тогда как метод десериализации вызывается, когда значения XCom извлекаются из бэкенда. После того как у вас появился желаемый бэкенд-класс, вы можете настроить Airflow, чтобы использовать этот класс с параметром xcom_backend в конфигурации Airflow. Настраиваемые XCom-бэкенды значительно расширяют возможности для хранения значений XCom. Например, если вы хотите хранить более крупные значения в относительно дешевом и масштабируемом облачном хранилище, то можете реализовать настраиваемый бэкенд для облачных сервисов, таких как хранилище Azure Blob, Amazon S3 или Google GCS. По мере развития Airflow 2 мы ожидаем, что бэкенды для распространенных сервисов станут более общедоступными, то есть вам не нужно будет создавать для них собственные бэкенды.

5.6

Связывание задач Python с помощью Taskflow API Хотя XCom можно использовать для обмена данными между задачами Python, API может быть громоздким в  использовании, особенно если вы объединяете в цепочку большое количество задач. Чтобы ре-

139

Связывание задач Python с помощью Taskflow API

шить эту проблему, Airflow 2 добавил новый API на основе декоратора для определения задач Python и их зависимостей – Taskflow API. Хотя и не без недостатков, Taskflow API может значительно упростить ваш код, если вы в основном используете оператор PythonOperator и передаете данные между ними в виде XCom’ов.

5.6.1 Упрощение задач Python с помощью Taskflow API

Определение функций обучения и развертывания

Чтобы увидеть, как выглядит Taskflow API, вернемся к нашим задачам по тренировке и  развертыванию модели машинного обучения. В нашей предыдущей реализации эти задачи и их зависимости были определены следующим образом. Листинг 5.25

Определение задач обучения и развертывания с использованием обычного API (dags/09_xcoms.py)

def _train_model(**context): model_id = str(uuid.uuid4()) context["task_instance"].xcom_push(key="model_id", value=model_id) Отправка идентификатора def _deploy_model(**context): модели с помощью model_id = context["task_instance"].xcom_pull( механизма XCom task_ids="train_model", key="model_id" ) print(f"Deploying model {model_id}") with DAG(...) as dag: ... train_model = PythonOperator( task_id="train_model", python_callable=_train_model, )

Создание задач обучения и развертывания с помощью оператора PythonOperator

deploy_model = PythonOperator( task_id="deploy_model", python_callable=_deploy_model, ) ... join_datasets >> train_model >> deploy_model

Установка зависимостей между задачами

Недостаток этого подхода состоит в том, что сначала он требует от нас определения функции (например, _train_model и _deploy_model), которые затем нужно обернуть в PythonOperator для создания задачи Airflow. Более того, чтобы передавать идентификатор модели между двумя задачами, нужно явно использовать методы xcom_push и xcom_ pull в  функциях для отправки или получения значения идентификатора модели. Определение такой зависимости данных обременительно и  может дать сбой, если мы изменим ключ передаваемого значения, на который есть ссылки в двух разных местах.

140

Глава 5

Определение зависимостей между задачами

Taskflow API призван упростить определение этого типа (на основе PythonOperator) задачи, облегчив преобразование функций Python в задачи и сделав обмен переменными через механизм XCom между этими задачами более явным в определении ОАГ. Чтобы увидеть, как это работает, начнем с преобразования данных функций для использования этого альтернативного API. Вначале мы можем изменить определение задачи train_model на относительно простую функцию Python, декорированную новым декоратором @task, добавленным Taskflow API. Листинг 5.26

Определение задачи обучения с помощью Taskflow API (dags/12_taskflow.py)

... from airflow.decorators import task ... with DAG(...) as dag: ... @task def train_model(): model_id = str(uuid.uuid4()) return model_id

По сути, этот код дает Airflow указание обернуть функцию train_ model, чтобы мы могли использовать ее для определения задач Python с помощью Taskflow API. Обратите внимание, что мы больше не отправляем явно идентификатор модели в виде XCom, а просто возвращаем его из функции, чтобы Taskflow API позаботился о передаче его следующей задаче. Точно так же можно определить задачу deploy_model: Листинг 5.27

Определение задачи развертывания с помощью Taskflow API (dags/12_taskflow.py)

@task def deploy_model(model_id): print(f"Deploying model {model_id}")

Здесь идентификатор модели также больше не извлекается с  помощью метода xcom_pull, а просто передается функции Python в качестве аргумента. Теперь осталось только соединить две задачи, что можно сделать, используя синтаксис, подозрительно похожий на обычный код Python. Листинг 5.28

Определение зависимостей между задачами Taskflow (dags/12_taskflow.py)

model_id = train_model() deploy_model(model_id)

Связывание задач Python с помощью Taskflow API

141

Этот код должен привести к  созданию ОАГ с  двумя задачами (train_model и deploy_model) и зависимостью между двумя задачами (рис. 5.18).

Рис. 5.18 Подмножество предыдущего ОАГ, содержащее задачи train и deploy, в которых задачи и их зависимости определены с помощью Taskflow API

Сравнивая новый код с предыдущей реализацией, видно, что подход на основе Taskflow API дает аналогичные результаты, при этом код проще читать и он больше похож на обычный код Python. Но как это работает? По сути, когда мы вызываем декорированную функцию train_mod­ el, она создает новый экземпляр оператора для задачи train_model (показанный как _PythonDecoratedOperator на рис. 5.18). По оператору return из функции train_model Airflow распознает, что мы возвращаем значение, которое автоматически будет зарегистрировано в  качестве XCom, возвращаемого из задачи. Для задачи deploy_model мы также вызываем декорированную функцию для создания экземпляра оператора, но теперь мы еще передаем вывод model_id из задачи train_model. При этом мы фактически сообщаем Airflow, что вывод model_id должен быть передан в качестве аргумента декорированной функции deploy_model. Таким образом, Airflow поймет, что между двумя задачами существует зависимость, и  позаботится о  передаче значений XCom между двумя задачами.

5.6.2 Когда (не) стоит использовать Taskflow API Taskflow API обеспечивает простой подход к определению задач Python и их зависимостей с использованием синтаксиса, который ближе к  использованию обычных функций Python, чем к  более объектноориентированному API операторов. Это позволяет API значительно упростить ОАГ, которые интенсивно используют операторы Python, и передавать данные между результирующими задачами с помощью XCom’ов. API также устраняет одно из наших предыдущих критических замечаний по поводу использования механизма XCom, обеспечивая явную передачу значений между задачами, вместо того чтобы скрывать зависимости между задачами в  рамках соответствующих функций. Однако один из недостатков Taskflow API состоит в  том, что его использование в настоящее время ограничено задачами Python, ко-

142

Глава 5

Определение зависимостей между задачами

торые в противном случае были бы реализованы с помощью Python­ Operator. Таким образом, задачи с участием любых других операторов Airflow потребуют использования обычного API для определения задач и их зависимостей. Хотя это не мешает смешивать и сопоставлять два этих стиля, результирующий код может вас запутать, если вы не будете осторожны. Например, при объединении новых задач по обучению и развертыванию обратно в исходный ОАГ (рис. 5.19) нужно определить зависимость между задачей join_datasets и ссылкой на model_id, что интуитивно не слишком понятно.

Рис. 5.19 Объединение задач обучения и развертывания в стиле Taskflow обратно в исходный ОАГ, который также содержит другие (не основанные на PythonOperator) операторы

Листинг 5.29

Объединение других операторов с Taskflow API (dags/13_taskflow_full.py)

with DAG(...) as dag: start = DummyOperator(task_id="start") ... [clean_sales, clean_weather] >> join_datasets @task def train_model(): model_id = str(uuid.uuid4()) return model_id @task def deploy_model(model_id: str): print(f"Deploying model {model_id}")

Определение задач и зависимостей с помощью обычного API

Использование Taskflow API для задач и зависимостей Python

model_id = train_model() deploy_model(model_id) join_datasets >> model_id

Смешивание двух стилей

Все данные, передаваемые между задачами в стиле Taskflow, будут храниться в виде XCom’ов. Это означает, что все переданные значения подлежат техническим ограничениям XCom (т.  е. должны быть сериализуемыми). Более того, размер наборов данных, передаваемых между задачами, может быть ограничен XCom-бэкендом, который используется при развертывании в Airflow, как обсуждалось в предыдущем разделе.

Резюме

143

Резюме Зависимости базовых задач Airflow можно использовать для определения линейных зависимостей задач и структур «один-ко-многим» и «многие-к-одному» в ОАГ. „ Используя оператор BranchPythonOperator, можно встраивать ветви в ОАГ, что дает вам возможность выбирать несколько путей выполнения в зависимости от определенных условий. „ Используя условные задачи, можно выполнять задачи в зависимости от конкретных условий. „ Явное кодирование ветвей или условий в структуре ОАГ обеспечивает существенные преимущества с точки зрения интерпретируемости того, как выполнялся ОАГ. „ Запуск задач Airflow контролируется правилами триггеров, которые регулируют поведение и которые можно настроить таким образом, чтобы задачи могли реагировать на различные ситуации. „ Задачи могут обмениваться данными между собой с помощью механизма XCom. „ Taskflow API может помочь упростить ОАГ, интенсивно использующие задачи Python. „

Часть II За пределами основ Т

еперь, когда вы познакомились с основами Airflow и можете создавать собственные конвейеры обработки данных, вы готовы к тому, чтобы перейти к  изучению более продвинутых методов, позволяющих создавать более сложные кейсы с участием внешних систем, собственных компонентов и т. д. В главе 6 мы рассмотрим, как запускать конвейеры способами, не связанными с фиксированным расписанием. Это позволяет запускать конвейеры в ответ на определенные события, такие как поступление новых файлов или вызов HTTP-службы. В главе 7 будет показано, как использовать встроенные функции Airflow для запуска задач во внешних системах. Это чрезвычайно мощная функция Airflow, позволяющая создавать конвейеры, координирующие потоки данных во многих системах, таких как базы данных, вычислительные фреймворки, допустим Apache Spark, и системы хранения. Далее в  главе  8 будет показано, как создавать собственные компоненты для Airflow, позволяющие выполнять задачи в системах, не поддерживаемых встроенными функциями Airflow. Эту функциональность также можно использовать для создания компонентов, которые можно с легкостью повторно использовать в своих конвейерах для поддержки распространенных рабочих процессов. Чтобы повысить надежность конвейеров, в  главе  9 подробно рассматриваются различные стратегии, которые можно использовать для тестирования конвейеров обработки данных и собственных ком-

За пределами основ

145

понентов. Эта тема часто поднимается на семинарах, посвященных Airflow, поэтому мы потратим некоторое время на ее изучение. Наконец, в  главе  10 рассматривается использование подходов на базе контейнеров для реализации задач в  конвейерах. Мы покажем вам, как запускать задачи, используя Docker и Kubernetes, и обсудим преимущества и недостатки применения контейнеров. После завершения части II вы должны быть на пути к тому, чтобы стать продвинутым пользователем Airflow, имея возможность писать сложные (и тестируемые) конвейеры, которые необязательно включают собственные компоненты и/или контейнеры. Однако в  зависимости от ваших интересов вы можете выбрать конкретные главы, на которых нужно сосредоточиться, поскольку не все из них могут быть актуальными для вашего варианта.

6

Запуск рабочих процессов

Эта глава рассказывает: об ожидании выполнения определенных условий с использованием сенсоров; „ о задании зависимостей между задачами в разных ОАГ; „ о выполнении рабочих процессов через интерфейс командной строки и REST API. „

В главе 3 мы изучили, как спланировать рабочие процессы в Airflow на основе временного интервала. Временные интервалы можно указать в  виде удобных строк (например, «@daily"), объектов timedelta (например, timedelta(days=3)) или строк cron (например, "30 14 * * *"). Все это обозначения, указывающие на то, что рабочий процесс запускается в определенное время или через определенный интервал. Airflow вычислит, когда в следующий раз должен запускаться рабочий процесс с учетом интервала, и запустит первую (первые) задачу (задачи) в рабочем процессе в следующую дату и время. В этой главе мы рассмотрим другие способы запуска рабочих процессов. Это часто требуется после определенного действия, в отличие от временных интервалов, когда рабочие процессы запускаются в заранее определенное время. Действия, связанные с  запуском, часто являются результатом внешних событий; представьте себе файл, который загружается на общий диск, разработчика, который помещает

Опрос условий с использованием сенсоров

147

свой код в репозиторий или раздел в таблице Hive. Что угодно из вышеперечисленного может стать причиной, чтобы приступить к запуску рабочего процесса.

6.1

Опрос условий с использованием сенсоров Один из распространенных вариантов запуска рабочего процесса – это поступление новых данных; представьте, что третья сторона осуществляет доставку ежедневного дампа данных в общей системе хранения данных между собой и  вашей компанией. Предположим, что мы разрабатываем популярное мобильное приложение для использования купонов и контактируем со всеми брендами супермаркетов, чтобы предоставлять ежедневный экспорт их рекламных акций, которые будут отображаться в нашем приложении. В настоящее время рекламные акции в  основном проводятся вручную: в  большинстве супермаркетов работают аналитики по ценообразованию, которые принимают во внимание многие факторы и проводят точные рекламные акции. Некоторые акции хорошо продуманы на недели вперед, а  некоторые представляют собой спонтанные однодневные флешраспродажи. Аналитики внимательно изучают конкурентов, и  иногда акции проводятся поздно вечером. Следовательно, данные о ежедневных рекламных акциях часто поступают в  случайные периоды времени. Мы видели, как данные поступают в  общее хранилище с 16:00 до 2:00 следующего дня, хотя ежедневные данные могут быть доставлены в любое время суток. Давайте разработаем исходную логику для такого рабочего процесса (рис. 6.1).

Рис. 6.1

Исходная логика обработки данных об акциях супермаркета

В этом рабочем процессе мы копируем данные, предоставленные супермаркетами (1–4), в  собственное хранилище необработанных данных, из которого мы всегда можем воспроизвести результаты. Затем задачи process_supermarket_{1,2,3,4} преобразуют и  сохра-

Глава 6

148

Запуск рабочих процессов

нят все необработанные данные в базе данных результатов, который приложение может прочитать. И наконец, задача create_metrics вычисляет и объединяет ряд показателей, которые дают представление о рекламных акциях для дальнейшего анализа. Поскольку данные из супермаркетов поступают в  разное время, хронология этого рабочего процесса может выглядеть так, как показано на рис. 6.2. Супермаркет 1

Супермаркет 2

Супермаркет 3

Супермаркет 4

Старт рабочего процесса

Рис. 6.2 Хронология обработки данных рекламной акции супермаркета

Здесь мы видим время доставки данных по супермаркетам и время запуска нашего рабочего процесса. Поскольку мы видели, что супермаркеты доставляют данные только в 2:00, безопаснее было бы начинать рабочий процесс в 2:00, чтобы убедиться, что все супермаркеты доставили свои данные. Однако это приводит к  большому времени ожидания. Супермаркет 1 доставил свои данные в  16:30, в то время как рабочий процесс начинает обработку в 2:00, но ничего не делает 9 с половиной часов (рис. 6.3). Супермаркет 1

Супермаркет 2

Супермаркет 3

Время ожидания

Старт рабочего Супермаркет 4 процесса

Супермаркет 1 (9,5 часа) Супермаркет 2 (7,25 часа) Супермаркет 3 (4,75 часа) Супермаркет 4 (1,5 часа)

Рис. 6.3 Хронология рабочего процесса рекламной акции супермаркета с указанием времени ожидания

Один из способов решить эту проблему в  Airflow – использовать сенсоры, представляющие собой особый тип (подкласс) операторов. Сенсоры непрерывно опрашивают определенные условия, чтобы определить их истинность, и если условие истинно, то все успешно. В противном случае сенсор будет ждать и повторять попытку до тех пор, пока условие не будет истинно, или время ожидания истечет.

149

Опрос условий с использованием сенсоров

Листинг 6.1

FileSensor ожидает существования пути к файлу

from airflow.sensors.filesystem import FileSensor wait_for_supermarket_1 = FileSensor( task_id="wait_for_supermarket_1", filepath="/data/supermarket1/data.csv", )

Здесь FileSensor выполняет проверку на предмет наличия файла /data/supermarket1/data.csv и возвращает true, если файл существует. В противном случае возвращается false, и сенсор будет ждать в течение заданного периода (по умолчанию 60 секунд) и повторит попытку. У операторов (сенсоры – это тоже операторы) и ОАГ есть настраиваемые тайм-ауты, и сенсор продолжит проверку условия, пока не истечет время ожидания. Вывод сенсоров можно посмотреть в журналах задач: {file_sensor.py:60} {file_sensor.py:60} {file_sensor.py:60} {file_sensor.py:60} {file_sensor.py:60}

INFO INFO INFO INFO INFO

– – – – –

Poking Poking Poking Poking Poking

for for for for for

file file file file file

/data/supermarket1/data.csv /data/supermarket1/data.csv /data/supermarket1/data.csv /data/supermarket1/data.csv /data/supermarket1/data.csv

Здесь мы видим, что примерно раз в минуту1 сенсор осуществляет покинг на предмет наличия определенного файла. Покинг – так в Airflow называется запуск сенсора и проверка условия. При включении сенсоров в  этот рабочий процесс следует внести одно изменение. Теперь, когда мы знаем, что не будем ждать до 2:00 и полагать, что все данные доступны, а вместо этого начнем делать все непрерывно, проверяя, доступны ли данные, время запуска ОАГ должно быть помещено в  начало границ поступления данных (рис. 6.4). Старт рабочего процесса Супермаркет 1

Супермаркет 2

Супермаркет 3

Супермаркет 4

Рис. 6.4 Хронология рекламных акций супермаркетов с сенсорами

У соответствующего ОАГ будет задача (FileSensor), добавленная в начало обработки данных каждого супермаркета. Это будет выглядеть, как показано на рис. 6.5. 1

Настраивается аргументом poke_interval.

150

Глава 6

Запуск рабочих процессов

Рис. 6.5 ОАГ рекламной акции супермаркета с сенсорами

На рис. 6.5 сенсоры были добавлены в начало ОАГ, а schedule_in­ terval ОАГ был установлен на запуск до ожидаемой доставки данных. Таким образом, сенсоры в начале ОАГ будут непрерывно выполнять опрос на предмет наличия данных и переходить к следующей задаче после выполнения условия (т. е. как только данные будут доступны по заданному пути). Здесь мы видим, что супермаркет 1 уже доставил данные. Таким образом, состояние соответствующего сенсора установлено как успешное, и обработка нижестоящих задач продолжается. В результате данные были обработаны сразу после доставки, без излишнего ожидания окончания предполагаемого времени доставки.

6.1.1 Опрос пользовательских условий Некоторые наборы данных имеют большой размер и состоят из нескольких файлов (например, data-01.csv, data-02.csv, data-03.csv и т. д.). FileSensor поддерживает подстановочные знаки для соответствия, например, data-*.csv, что соответствует любому файлу, совпадающему с шаблоном. Так, если, допустим, первый файл data-01.csv был доставлен, а другие все еще загружаются в общее хранилище супермаркетом, FileSensor вернет true, и рабочий процесс продолжит выполнение задачи copy_to_raw, что нежелательно. Поэтому мы договорились с  супермаркетами записывать файл с именем _SUCCESS в качестве последней части загрузки, чтобы указать, что был загружен полный набор ежедневных данных. Группа, работающая с  данными, решила, что им нужно проверить наличие одного или нескольких файлов с  именем data-*.csv и  одного файла с именем _SUCCESS. Под капотом FileSensor использует шаблоны поиска (https://ru.wikipedia.org/wiki/Шаблон_поиска) для сопоставления шаблонов с именами файлов или каталогов. Используя шаблоны поиска (они похожи на регулярные выражения, но более ограничены по функциональности) можно было бы сопоставить несколько шаблонов со сложным шаблоном, однако есть более читабельный подход – реализовать две проверки с помощью PythonSensor.

151

Опрос условий с использованием сенсоров

PythonSensor похож на PythonOperator в том смысле, что вы предоставляете вызываемый объект Python (функция, метод и  т.  д.), который нужно выполнить. Однако вызываемый объект PythonSensor ограничен возвратом логического значения: true, чтобы указать, что условие выполнено успешно, и false, чтобы указать, что это не так. Посмотрим, как вызываемый объект PythonSensor выполняет проверку этих двух условий. Листинг 6.2

Реализация собственного условия с помощью PythonSensor

from pathlib import Path from airflow.sensors.python import PythonSensor def _wait_for_supermarket(supermarket_id): supermarket_path = Path("/data/" + supermarket_id) data_files = supermarket_path.glob("data-*.csv") success_file = supermarket_path / "_SUCCESS" return data_files and success_file.exists() wait_for_supermarket_1 = PythonSensor( task_id="wait_for_supermarket_1", ython_callable=_wait_for_supermarket, op_kwargs={"supermarket_id": "supermarket1"}, dag=dag, )

Инициализируем объект Path Собираем файлы data-*.csv Собираем файл _SUCCESS

Используем return, если данные и файлы SUCCESS существуют

Вызываемый объект, предоставленный PythonSensor, выполняется и,  как и  ожидается, возвращает логическое значение true или false. Вызываемый объект, показанный в листинге  6.2, теперь проверяет два условия, а именно существуют ли данные и файл success. За исключением использования другого цвета, задачи PythonSensor отображаются в пользовательском интерфейсе так же (рис. 6.6).

Рис. 6.6 ОАГ рекламных акций супермаркета с использованием PythonSensor для пользовательских условий

152

Глава 6

Запуск рабочих процессов

6.1.2 Использование сенсоров в случае сбоя Теперь, когда мы убедились, что сенсоры работают успешно, что произойдет, если однажды супермаркет не предоставит свои данные? По умолчанию сенсоры будут давать сбой, как и операторы (рис. 6.7).

Эти сенсоры не завершили работу в максимально допустимые сроки

Рис. 6.7 Сенсоры, превышающие максимальный таймфрейм, дадут сбой

Сенсоры принимают аргумент timeout, который содержит максимальное количество секунд, в течение которого сенсор может работать. Если в начале очередного покинга количество этих секунд превысит число, заданное для timeout, то это приведет к сбою сенсора: INFO – Poking callable: INFO – Poking callable: ERROR – Snap. Time is OUT. Traceback (most recent call last): ➥ File "/usr/local/lib/python3.7/site­ packages/airflow/models/taskinstance.py", line 926, in _run_raw_task result = task_copy.execute(context=context) ➥ File "/usr/local/lib/python3.7/site­ packages/airflow/sensors/base_sensor_operator.py", line 116, in execute raise AirflowSensorTimeout('Snap. Time is OUT.') airflow.exceptions.AirflowSensorTimeout: Snap. Time is OUT. INFO – Marking task as FAILED.

По умолчанию тайм-аут сенсора установлен на семь дней. Если для schedule_interval задано значение раз в  день, то это приведет к нежелательному эффекту снежного кома, с которым на удивление легко столкнуться при большом количестве ОАГ! ОАГ запускается раз в день, а супермаркеты 2, 3 и 4 дадут сбой через семь дней, как показано на рис. 6.7. Однако новые запуски ОАГ добавляются каждый день, и на эти дни запускаются сенсоры, в результате чего появляется все больше и больше задач. Вот в чем загвоздка: количество задач (на разных уровнях), которые Airflow может обработать и  будет запускать, ограничено.

Опрос условий с использованием сенсоров

153

Важно понимать, что в Airflow есть ограничения на максимальное количество выполняемых задач на разных уровнях; количество задач на каждый ОАГ, количество задач на глобальном уровне Airflow, количество запусков ОАГ на каждый ОАГ и т. д. На рис. 6.8 видно 16 запущенных задач (все они являются сенсорами). У класса dag есть аргумент concurrency, определяющий, сколько параллельных задач разрешено в рамках этого ОАГ. Листинг 6.3

Задаем максимальное количество параллельных задач

dag = DAG( dag_id="couponing_app", start_date=datetime(2019, 1, 1), schedule_interval="0 0 * * *", concurrency=50, )

Эти сенсорные задачи занимают все слоты

Этот код позволяет параллельно запускать 50 задач

Эти задачи могли бы выполняться, но не выполняются, потому что сенсоры занимают все слоты

Рис. 6.8 Тупик сенсора: все выполняемые задачи – это сенсоры, ожидающие выполнения условия, чего никогда не произойдет, и, таким образом, они занимают все слоты

На рис. 6.8 мы запустили ОАГ со всеми значениями по умолчанию, а это 16 параллельных задач на каждый ОАГ. Произошел эффект снежного кома: „ день 1: супермаркет 1  – все успешно; супермаркеты 2, 3 и  4  – опрос, 3 задания заняты; „ день 2: супермаркет 1  – все успешно; супермаркеты 2, 3 и  4  – опрос, 6 заданий заняты; „ день 3: супермаркет 1  – все успешно; супермаркеты 2, 3 и  4  – опрос, 9 заданий заняты; „ день 4: супермаркет 1  – все успешно; супермаркеты 2, 3 и  4  – опрос, 12 заданий заняты; „ день 5: супермаркет 1  – все успешно; супермаркеты 2, 3 и  4  – опрос, 15 заданий заняты;

Глава 6

154

Запуск рабочих процессов

день 6: супермаркет 1  – все успешно; супермаркеты 2, 3 и  4  – опрос, 16 заданий заняты; две новые задачи нельзя запустить, и любая другая задача, пытающаяся запуститься, блокируется. Такое поведение часто называют тупиком сенсора. В этом примере достигается максимальное количество запущенных задач в  ОАГ, и, таким образом, влияние ограничивается этим ОАГ, в то время как другие ОАГ все еще могут работать. Однако как только будет достигнут глобальный предел максимального количества задач, вся ваша система встанет, что явно нежелательно. Решить эту проблему можно разными способами. Класс сенсора принимает аргумент mode, для которого можно задать значение poke или reschedule (начиная с Airflow версии 1.10.2). По умолчанию задано значение poke, что приводит к блокировке. Это означает, что задача сенсора занимает слот, пока выполняется. Время от времени она выполняет покинг, осуществляя проверку условия, а затем ничего не делает, но по-прежнему занимает слот. Режим сенсора reschedule освобождает слот после заверения покинга, поэтому слот занят, только пока выполняется работа (рис. 6.9). „

wait_for_supermarket1 = PythonSensor( task_id="wait_for_supermarket_1", python_callable=_wait_for_supermarket, op_kwargs={"supermarket_id": "supermarket1"}, mode="reschedule", dag=dag, ) mode="reschedule" применяет новое состояние “up_for_reschedule”

Эти сенсоры теперь освобождают свои слоты после покинга…

… позволяя этим задачам продолжать работу

Рис. 6.9 Сенсоры с mode="reschedule" освобождают свой слот после покинга, позволяя запускать другие задачи

155

Запуск других ОАГ

Количество одновременных задач также можно контролировать с  помощью нескольких параметров конфигурации на глобальном уровне Airflow, которые рассматриваются в  разделе 12.6. В  следующем разделе мы посмотрим, как разделить один ОАГ на несколько ОАГ меньшего размера, которые запускают друг друга, чтобы разделить ответственности.

6.2

Запуск других ОАГ В какой-то момент к нашему сервису по выдаче купонов добавляется больше супермаркетов. Все больше и больше людей хотели бы получать информацию об акциях супермаркетов, и  этап create_metrics в конце выполняется только один раз в день после того, как данные всех супермаркетов были доставлены и  обработаны. В  текущей настройке все зависит от успешного состояния задач process_supermar­ ket_{1,2,3,4} (рис. 6.10). Выполняется, когда доступны данные по конкретному супермаркету

Выполняется, когда доступны все данные

Рис. 6.10 Разная логика выполнения между задачами для конкретного супермаркета, и задача create_metrics указывает на потенциальное разделение на отдельные ОАГ

Мы получили вопрос от группы аналитиков относительно того, можно ли сделать показатели доступными сразу после обработки, вместо того чтобы ждать, пока другие супермаркеты доставят свои данные и  запустят их по конвейеру. Здесь у  нас есть несколько вариантов (в зависимости от выполняемой логики). Мы могли бы установить задачу create_metrics как нижестоящую после каждой задачи process_supermarket_* (рис. 6.11). Предположим, что задача create_metrics превратилась в несколько задач, что сделало структуру ОАГ более сложной и привело к увеличению количества повторяющихся задач (рис. 6.12). Один из способов обойти повторяющиеся задачи с (почти) равной функциональностью – разделить ОАГ на несколько более мелких ОАГ, каждый из которых берет на себя часть общего рабочего процесса. Одно из преимуществ такого способа заключается в том, что вы мо-

Глава 6

156

Запуск рабочих процессов

жете вызывать ОАГ 2 несколько раз из ОАГ 1 вместо одного ОАГ, содержащего несколько (дублированных) задач из ОАГ 2. Возможно ли это или желательно, зависит от многих факторов, таких как сложность рабочего процесса. Если, например, вы хотите иметь возможность создавать метрики, не дожидаясь завершения рабочего процесса в соответствии с его расписанием, а вместо этого запускать его вручную, когда захотите, то имеет смысл разделить его на два отдельных ОАГ.

Рис. 6.11

Репликация задач, чтобы не ждать завершения всех процессов

Рис. 6.12 Дополнительная логика снова указывает на возможное разделение на отдельные ОАГ

Данный сценарий можно реализовать с помощью оператора Trigg­ erDagRunOperator. Он позволяет запускать другие ОАГ, которые можно применять для разделения частей рабочего процесса. Листинг 6.4

Запуск других ОАГ с помощью TriggerDagRunOperator

import airflow.utils.dates from airflow import DAG from airflow.operators.dummy import DummyOperator from airflow.operators.trigger_dagrun import TriggerDagRunOperator dag1 = DAG( dag_id="ingest_supermarket_data", start_date=airflow.utils.dates.days_ago(3), schedule_interval="0 16 * * *", )

Запуск других ОАГ

157

for supermarket_id in range(1, 5): # ... trigger_create_metrics_dag = TriggerDagRunOperator ( task_id=f"trigger_create_metrics_dag_supermarket_{supermarket_id}", trigger_dag_id="create_metrics", dag=dag1, dag_id должны ) совпадать dag2 = DAG( dag_id="create_metrics", start_date=airflow.utils.dates.days_ago(3), schedule_interval=None, schedule_interval ) присваивается значение None # ...

Строка, предоставленная аргументу trigger_dag_id оператора TriggerDagRunOperator, должна соответствовать dag_id ОАГ, который должен быть запущен. В  конечном результате теперь у  нас есть два ОАГ: один для приема данных из супермаркетов, второй для вычисления показателей по данным (рис. 6.13).

Рис. 6.13 ОАГ поделены на два, причем ОАГ 1 запускает ОАГ 2 с помощью TriggerDagRunOperator. Логика в ОАГ 2 теперь определяется только один раз, что упрощает ситуацию, показанную на рис. 6.12

Визуально в пользовательском интерфейсе Airflow почти нет разницы между ОАГ, запускаемым по расписанию, ОАГ, запускаемым вручную, или ОАГ, запускаемым автоматически. Две маленькие детали в древовидном представлении сообщают вам, был ли ОАГ запущен по расписанию. Во-первых, запланированные запуски ОАГ и их экземпляры задач обведены черной рамкой (рис. 6.14). Во-вторых, каждый запуск ОАГ содержит поле run_id. Значение run_id начинается с одного из следующих префиксов: „ scheduled__, чтобы указать, что запуск ОАГ начался по расписанию; „ backfill__, чтобы указать, что ОАГ запускается с использованием обратного заполнения; „ manual__, чтобы указать, что ОАГ запускается вручную (например, при нажатии кнопки Trigger Dag или инициируется оператором TriggerDagRunOperator). При наведении курсора на кружок запуска ОАГ отображается всплывающая подсказка, показывающая значение run_id, сообщая нам, как был запущен ОАГ (рис. 6.15).

Глава 6

158

Запуск рабочих процессов

Запускаемые по расписанию

Запускаемые вручную или автоматически

Рис. 6.14 Черная рамка означает запуск по расписанию; отсутствие рамки указывает на запуск вручную или автоматически

Рис. 6.15

run_id сообщает нам источник запуска ОАГ

Запуск других ОАГ

159

6.2.1 Обратное заполнение с помощью оператора TriggerDagRunOperator Что делать, если вы изменили логику в задачах process_* и захотели перезапустить ОАГ оттуда? В одном ОАГ можно очистить состояние process_* и соответствующих нижестоящих задач. Однако при очистке задач удаляются только задачи в пределах одного и того же ОАГ. Задачи, идущие после TriggerDagRunOperator в другом ОАГ, не очищаются, поэтому следует учитывать такое поведение. Очистка задач в ОАГ, включая TriggerDagRunOperator, вызовет новый запуск ОАГ вместо очистки соответствующих ранее инициированных запусков (рис. 6.16).

Рис. 6.16 Очистка TriggerDagRunOperators не очищает задачи в инициированном ОАГ; вместо этого создаются новые запуски ОАГ

6.2.2 Опрос состояния других ОАГ Пример на рис.  6.13 работает до тех пор, пока нет зависимости от инициируемых ОАГ обратно к инициирующему ОАГ. Другими словами, первый ОАГ может инициировать нижестоящий ОАГ всякий раз, без необходимости проверять какие-либо условия.

Глава 6

160

Запуск рабочих процессов

Если ОАГ становятся очень сложными, чтобы внести ясность, первый ОАГ можно разделить на несколько ОАГ, а соответствующую задачу TriggerDagRunOperator можно выполнить для каждого соответствующего ОАГ, как показано на рис.  6.17 посередине. Кроме того, один ОАГ, инициирующий несколько исходящих ОАГ, является возможным сценарием при использовании TriggerDagRunOperator, как показано на рис. 6.17 справа. ОАГ 1, 2 и 3 ОАГ 1

ОАГ 2

ОАГ 1

ОАГ 2, 3 и 4

ОАГ 4

Рис. 6.17 Различные зависимости между ОАГ возможны с помощью TriggerDagRunOperator

Но что, если несколько инициирующих ОАГ должны завершиться, прежде чем другой ОАГ сможет начать работу? Например, что, если ОАГ 1, 2 и 3 извлекают, преобразуют и загружают набор данных, а вы хотите запускать ОАГ 4 только после завершения всех трех ОАГ, например чтобы вычислить набор агрегированных метрик? Airflow управляет зависимостями между задачами в рамках одного ОАГ; однако он не предоставляет механизма для зависимостей между ОАГ (рис. 6.18)1. ОАГ 1, 2 и 3 ОАГ 4

Рис. 6.18 Иллюстрация зависимости между ОАГ, которую нельзя решить с помощью TriggerDagRunOperator

В этой ситуации можно бы применить ExternalTaskSensor, представляющий собой сенсор, осуществляющий покинг состояния задач в других ОАГ, как показано на рис.  6.19. Таким образом, задачи wait_for_etl_dag{1,2,3} действуют как прокси, чтобы гарантировать завершенное состояние всех трех ОАГ перед окончательным выполнением задачи report. 1

Этот плагин Airflow визуализирует зависимости между ОАГ, сканируя все ваши ОАГ на предмет использования TriggerDagRunOperator и ExternalTask­ Sensor: https://github.com/ms32035/airflow-dag-dependencies.

Запуск других ОАГ ОАГ 1, 2 и 3

ОАГ 4

161

Рис. 6.19 Вместо того чтобы размещать выполнение с помощью TriggerDagRunOperator, в некоторых ситуациях, таких как обеспечение завершенного состояния для ОАГ 1, 2 и 3, нужно извлечь выполнение к ОАГ 4 с помощью ExternalTaskSensor

Принцип работы ExternalTaskSensor показан на рис. 6.20. import airflow.utils.dates from airflow import DAG from airflow.operators.dummy import DummyOperator from airflow.sensors.external_task import ExternalTaskSensor dag1 = DAG(dag_id="ingest_supermarket_data", schedule_interval="0 16 * * *", ...) dag2 = DAG(schedule_interval="0 16 * * *", ...) DummyOperator(task_id="copy_to_raw", dag=dag1) >> DummyOperator(task_id="process_supermarket", dag=dag1) wait = ExternalTaskSensor( task_id="wait_for_process_supermarket", external_dag_id="ingest_supermarket_data", external_task_id="process_supermarket", dag=dag2, ) report = DummyOperator(task_id="report", dag=dag2) wait >> report

Рис. 6.20

Пример использования ExternalTaskSensor

Поскольку от ОАГ 1 до ОАГ 2 событий нет, ОАГ 2 опрашивает состояние задачи в ОАГ 1, но здесь есть ряд недостатков. В мире Airflow одни ОАГ не имеют понятия о других ОАГ. Хотя технически возможно выполнить запрос к основной базе метаданных (что и делает Exter­ nalTaskSensor) или считывать сценарии ОАГ с диска и делать выводы о деталях выполнения других рабочих процессов, в Airflow они никак не связаны. В случае использования ExternalTaskSensor требуется совпадение между ОАГ. По умолчанию ExternalTaskSensor просто проверяет наличие успешного состояния задачи с точно такой же датой выполнения. Таким образом, если ExternalTaskSensor запускается с датой выполнения 2019-10-12T18: 00: 00, он будет выполнять запрос к базе метаданных Airflow для данной задачи, также с датой выполнения 2019-10-12T18: 00: 00. Теперь предположим, что у  обоих ОАГ разный интервал; тогда ни о каком совпадении не может быть и речи, и,  следовательно, ExternalTaskSensor так и  не найдет соответствующую задачу (рис. 6.21)!

Глава 6

162

Запуск рабочих процессов

from airflow import DAG from airflow.operators.dummy import DummyOperator from airflow.sensors.external_task import ExternalTaskSensor dag1 = DAG(dag_id="dag1", schedule_interval="0 16 * * *") dag2 = DAG(dag_id="dag2", schedule_interval="0 20 * * *")

schedule_interval не совпадают, поэтому ExternalTaskSensor не найдет соответствующую задачу

DummyOperator(task_id="etl", dag=dag1) ExternalTaskSensor(task_id="wait_for_etl", external_dag_id="dag1", external_task_id="etl", dag=dag2)

dag2, task wait_for_etl ? dag1, task etl

Рис. 6.21 ExternalTaskSensor проверяет завершение задачи в другом ОАГ, следуя собственному schedule_interval, который так и не будет найден, если интервалы не совпадут

В случае если интервалы не совпадают, можно прибегнуть к  смещению, по которому ExternalTaskSensor должен искать задачу в другом ОАГ. Это смещение контролируется аргументом execution_delta в ExternalTaskSensor. Он ожидает объект timedelta, и важно знать, что он работает вразрез с вашими ожиданиями. timedelta вычитается из execution_date, а это означает, что положительная timedelta фактически оглядывается назад в прошлое (рис. 6.22). from airflow import DAG from airflow.operators.dummy import DummyOperator from airflow.sensors.external_task import ExternalTaskSensor dag1 = DAG(dag_id="dag1", schedule_interval="0 16 * * *") dag2 = DAG(dag_id="dag2", schedule_interval="0 20 * * *") DummyOperator(task_id="etl", dag=dag1) ExternalTaskSensor( task_id="wait_for_etl", external_dag_id="dag1", external_task_id="etl", execution_delta=datetime.timedelta(hours=4), dag=dag2, ) execution_delta=datetime.timedelta(hours=4)

dag2, task wait_for_etl dag1, task etl

Рис. 6.22 Для ExternalTaskSensor можно использовать смещение с помощью аргумента execution_delta, чтобы обеспечить соответствие с интервалами других ОАГ

Обратите внимание, что проверка задачи с помощью ExternalTask­ Sensor, где у другого ОАГ иной период интервала, например ОАГ 1 запускается раз в день, а ОАГ 2 запускается каждые пять часов, усложняет задание подходящего значения для execution_delta. Для этого варианта можно предоставить функцию, возвращающую список объектов timedelta через аргумент execution_date_fn. Подробности см. в документации Airflow.

Запуск рабочих процессов с помощью REST API и интерфейса командной строки

6.3

163

Запуск рабочих процессов с помощью REST API и интерфейса командной строки Помимо запуска ОАГ из других ОАГ, их также можно запускать через REST API и  интерфейс командной строки. Это может быть полезно, если вы хотите запускать рабочие процессы за пределами Airflow (например, как часть конвейера непрерывной интеграции и доставки). Или данные, поступающие в случайное время в бакет AWS S3, можно обрабатывать, задав лямбда-функцию для вызова REST API, запуская ОАГ, вместо того чтобы постоянно запускать опрос с сенсорами. Используя интерфейс командной строки Airflow, можно запустить ОАГ следующим образом. Листинг 6.5

Запуск ОАГ с помощью интерфейса командной строки Airflow

airflow dags trigger dag1 ➥ [2019-10-06 14:48:54,297] {cli.py:238} INFO – Created

Этот код запускает dag1 с датой выполнения, установленной на текущую дату и время. Идентификатор запуска имеет префикс «manu­ al__», указывая на то, что он был запущен вручную или за пределами Airflow. Интерфейс командной строки принимает дополнительную конфигурацию для запущенного ОАГ. Листинг 6.6

Запуск ОАГ с дополнительной конфигурацией

airflow dags trigger ­c '{"supermarket_id": 1}' dag1 airflow dags trigger ­­conf '{"supermarket_id": 1}' dag1

Данная часть конфигурации теперь доступна во всех задачах инициированного ОАГ, запущенного через переменные контекста задачи. Листинг 6.7

Применение конфигурации

import airflow.utils.dates from airflow import DAG from airflow.operators.python import PythonOperator dag = DAG( dag_id="print_dag_run_conf", start_date=airflow.utils.dates.days_ago(3), schedule_interval=None, )

Глава 6

164

Запуск рабочих процессов

def print_conf(**context): print(context["dag_run"].conf) process = PythonOperator( task_id="process", python_callable=print_conf, dag=dag, )

Конфигурация, предоставленная при запуске ОАГ, доступна в контексте задачи

Эти задачи выводят конфигурацию, предоставленную для запуска ОАГ, которую можно применять как переменную во всей задаче: {cli.py:516} INFO – Running on host ebd4ad13bf98 {logging_mixin.py:95} INFO – {'supermarket': 1} {python_operator.py:114} INFO – Done. Returned value was: None {logging_mixin.py:95} INFO – [2019-10-15 20:03:09,149] {local_task_job.py:105} INFO – Task exited with return code 0

В результате, если у вас есть ОАГ, в котором вы запускаете копии задач просто для поддержки различных переменных, с  конфигурацией запуска ОАГ этот процесс становится намного короче, поскольку это позволяет вам вставлять переменные в конвейер (рис. 6.23). Однако обратите внимание, что у ОАГ из листинга 6.8 нет интервала (т. е. он запускается только при инициализации). Если логика в вашем ОАГ основана на конфигурации запуска ОАГ, то запуск по расписанию будет невозможен, поскольку он не предоставляет никакой конфигурации запуска ОАГ.

С конфигурацией запуска ОАГ

Рис. 6.23 Упрощаем ОАГ за счет предоставления полезной нагрузки во время выполнения

Для обеспечения аналогичного результата можно использовать REST API (например, если у вас нет доступа к интерфейсу командной строки, но к вашему экземпляру Airflow можно подключиться по протоколу HTTP). Листинг 6.8

Запуск ОАГ с помощью REST API

# URL-адрес – это /api/v1

Отправка имени пользователя / пароля в виде простого текста нежелательна; обратитесь к документации curl \ по аутентификации с Airflow API, чтобы узнать о других -u admin:admin \ методах аутентификации ­X POST \ "http://localhost:8080/api/v1/dags/print_dag_run_conf/dagRuns" \

Резюме

165

­H "Content­Type: application/json" \ -d '{"conf": {}}' Конечной точке требуется часть данных, даже если { не задана дополнительная конфигурация "conf": {}, "dag_id": "print_dag_run_conf", "dag_run_id": "manual__2020­12­19T18:31:39.097040+00:00", "end_date": null, "execution_date": "2020­12­19T18:31:39.097040+00:00", "external_trigger": true, "start_date": "2020­12­19T18:31:39.102408+00:00", "state": "running" } curl \ ­u admin:admin \ ­X POST \ "http://localhost:8080/api/v1/dags/print_dag_run_conf/dagRuns" \ ­H "Content­Type: application/json" \ ­d '{"conf": {"supermarket": 1}}' { "conf": { "supermarket": 1 }, "dag_id": "listing_6_08", "dag_run_id": "manual__2020­12­19T18:33:58.142200+00:00", "end_date": null, "execution_date": "2020­12­19T18:33:58.142200+00:00", "external_trigger": true, "start_date": "2020­12­19T18:33:58.153941+00:00", "state": "running" }

Это может быть удобно при запуске ОАГ за пределами Airflow, например из системы непрерывной интеграции и доставки.

Резюме Сенсоры  – это особый тип операторов, которые непрерывно выполняют опрос, чтобы проверить, является ли заданное условие истинным. „ Airflow предоставляет набор сенсоров для различных систем / сценариев использования; пользовательское условие также можно выполнить с помощью PythonSensor. „ TriggerDagRunOperator может запускать ОАГ из другого ОАГ, тогда как ExternalTaskSensor может опрашивать состояние в другом ОАГ. „ Запуск ОАГ за пределами Airflow возможен с помощью REST API и/ или интерфейса командной строки. „

7

Обмен данными с внешними системами

Эта глава рассказывает о: работе с операторами Airflow, выполняющими действия в системах за пределами Airflow; „ применении операторов для конкретных внешних систем; „ реализации операторов в Airflow, выполняющих операции от A до B; „ тестировании задач при подключении к внешним системам. „

Во всех предыдущих главах мы рассматривали различные аспекты написания кода Airflow, в основном продемонстрированные на примерах с использованием универсальных операторов, таких как Bash­ Operator и PythonOperator. Хотя эти операторы могут запускать произвольный код и, таким образом, выполнять любую рабочую нагрузку, в Airflow есть и другие операторы для более конкретных случаев использования, например для выполнения запроса к базе данных Postgres. У этих операторов есть один и только один конкретный вариант использования, допустим выполнение запроса. В результате их легко применять, просто предоставив запрос оператору, а оператор выполняет внутреннюю обработку логики запросов. В случае с PythonOpera­ tor вам придется писать такую логику запросов самостоятельно. Для протокола: под фразой внешняя система мы подразумеваем любую технологию, кроме Airflow и машины, на которой работает Air-

Подключение к облачным сервисам

167

flow. Это может быть, например, Microsoft Azure Blob Storage, кластер Apache Spark или хранилище данных Google BigQuery. Чтобы увидеть, когда и как использовать такие операторы, в этой главе мы займемся разработкой двух ОАГ, которые подключаются к внешним системам и перемещают и преобразуют данные, используя эти системы. Мы рассмотрим различные варианты, которые есть (и которых нет)1 у Airflow, для работы с этим вариантом и внешними системами. В разделе 7.1 мы разработаем модель машинного обучения для AWS, работая с  бакетами AWS S3 и  AWS SageMaker, решением для разработки и  развертывания моделей машинного обучения. Далее, в разделе 7.2, мы продемонстрируем, как перемещать данные между различными системами, используя базу данных Postgres, содержащую информацию об аренде жилья в Амстердаме с помощью сервиса Airbnb. Данные поступают с  сайта Inside Airbnb (http://insideairbnb. com), которым управляет Airbnb, содержащего записи о списках, обзорах и  многом другом. Раз в  день мы будем скачивать последние данные из базы данных Postgres в наш бакет AWS S3. После этого мы запустим задание Pandas в контейнере Docker, чтобы определить колебания цен, а результат будет сохранен в S3.

7.1

Подключение к облачным сервисам В настоящее время большая часть программного обеспечения работает на облачных сервисах. Такими сервисами обычно можно управлять через API – интерфейсом для подключения и отправки запросов облачному провайдеру. API обычно поставляется с клиентом в виде пакета Python, например клиент AWS называется boto3 (https://github. com/boto/boto3), клиент GCP  – Cloud SDK (https://cloud.google.com/ sdk), а  клиент Azure  – Azure SDK для Python (https://docs.microsoft. com/ru-ru/azure/developer/python/). Такие клиенты предоставляют удобные функции, где вы вводите необходимые данные для запроса, а клиенты занимаются техническими вопросами обработки запроса и ответа. В контексте Airflow для программиста интерфейс – это оператор. Операторы – это удобные классы, которым вы можете предоставить необходимые детали, чтобы выполнить запрос к облачному сервису, а техническая реализация выполняется внутри оператора. Эти операторы используют Cloud SDK для отправки запросов и обеспечивают небольшой слой вокруг Cloud SDK, предоставляющий программисту определенные функции (рис. 7.1). 1

Операторы всегда находятся в стадии разработки. Эта глава была написана в  2020 году; обратите внимание, что на момент ее прочтения могут появиться новые операторы, подходящие для вашего варианта использования, которые не были описаны здесь.

Глава 7

168

Обмен данными с внешними системами

Оператор Airflow Cloud SDK

Рис. 7.1 Оператор Airflow преобразует заданные аргументы в операции в Cloud SDK

7.1.1

Установка дополнительных зависимостей Пакет Python apache­airflow включает в  себя несколько основных операторов, но у  него нет компонентов для подключения к  облаку. Для работы с облачными сервисами можно установить пакеты провайдеров из табл. 7.1. Таблица 7.1 Дополнительные пакеты для установки дополнительных компонентов облачных провайдеров Облачный сервис

Команда установки

AWS GCP Azure

pip install apache­airflow­providers­amazon pip install apache­airflow­providers­google pip install apache­airflow­providers­microsoft­azure

Это касается не только поставщиков облачных услуг, но и других внешних сервисов. Например, чтобы установить операторы и  соответствующие зависимости, необходимые для запуска PostgresOp­ erator, установите пакет apache­airflow­provider­postgres. Полный список всех доступных дополнительных пакетов см. в документации Airflow (https://airflow.apache.org/docs/). Посмотрим на оператора, выполняющего действие в  AWS. Взять, например, оператор S3CopyObjectOperator. Он копирует объект из одного бакета в другой и принимает несколько аргументов (пропустим нерелевантные аргументы для этого примера). Листинг 7.1

S3CopyObjectOperator требует, чтобы вы указали только необходимые данные

➥ from airflow.providers.amazon.aws.operators.s3_copy_object import S3CopyObjectOperator S3CopyObjectOperator( Бакет, из которого нужно копировать task_id="...", Имя объекта для копирования source_bucket_name="databucket", Бакет, в который нужно source_bucket_key="/data/{{ ds }}.json", копировать dest_bucket_name="backupbucket", dest_bucket_key="/data/{{ ds }}-backup.json", Имя целевого объекта )

169

Подключение к облачным сервисам

Этот оператор превращает копирование объекта в  другое место в простое упражнение, представляющее собой заполнение пробелов, без необходимости углубляться в детали клиента AWS boto31.

7.1.2

Разработка модели машинного обучения Рассмотрим более сложный пример и  поработаем с  операторами AWS, разработав конвейер обработки данных, создавая классификатор рукописных чисел. Для обучения модели будет использоваться база данных MNIST (http://yann.lecun.com/exdb/mnist/), содержащая примерно 70 000 изображений рукописного написания цифр от 0 до 9 (рис. 7.2).

Рис. 7.2

Пример рукописного написания цифр из базы данных MNIST

После обучения модели мы должны иметь возможность отправить ей новое, ранее неизвестное рукописное число, и  модель должна классифицировать его (рис. 7.3). Режим offline Обучение модели на наборе изображений

Режим online

Ранее неизвестное рукописное написание цифры

Классификация: 4

Рис. 7.3 Примерный план того, как модель обучается на одном этапе и классифицирует ранее неизвестные образцы на другом

Модель состоит из двух частей: автономной и  онлайн-части. Автономная часть принимает большой набор рукописных цифр и учит модель классифицировать их. Результат (набор параметров модели) сохраняется. Этот процесс можно выполнять периодически при сборе новых данных. Онлайн-часть отвечает за загрузку модели и класси1

Если просмотреть реализацию оператора, то можно увидеть, что внутри он вызывает метод copy_object().

170

Глава 7

Обмен данными с внешними системами

фикацию ранее неизвестных цифр. Это должно выполняться мгновенно, поскольку пользователи ожидают прямой обратной связи. Рабочие процессы Airflow обычно отвечают за автономную часть модели. Обучение модели включает в  себя загрузку данных, их предварительную обработку в  формате, подходящем для модели, и  обучение модели, которое может стать сложным. Кроме того, периодическое переобучение модели хорошо согласуется с парадигмой пакетной обработки Airflow. Онлайн-часть обычно представляет собой API, например REST API или HTML-страницу с вызовами REST API под капотом. Такой API обычно развертывается только один раз или как часть конвейера непрерывной интеграции/доставки. Для повторного еженедельного развертывания API нет варианта использования, и поэтому обычно это не является частью рабочего процесса Airflow. Для обучения классификатора мы разработаем конвейер Airflow. В конвейере будет использоваться AWS SageMaker, сервис AWS, облегчающий разработку и развертывание моделей машинного обучения. В конвейере мы сначала копируем образцы данных из общедоступного места в  собственный бакет S3. Далее мы преобразуем данные в формат, который можно использовать для модели, обучим модель с помощью AWS SageMaker и, наконец, развернем ее, чтобы классифицировать конкретную рукописную цифру. Конвейер будет выглядеть так, как показано на рис. 7.4. Преобразовываем Копируем данные данные в полезный в свой аккаунт формат

Необработанные данные

Необработанные данные в собственной учетной записи

Обучаем модель

Обработанные данные в собственной учетной записи

Разворачиваем модель

Модель SageMaker

Конечная точка SageMaker

Рис. 7.4 Логические этапы для создания классификатора рукописных цифр

Этот конвейер можно запустить только один раз, и  модель SageMaker можно развернуть только один раз. Сильной стороной Airflow является возможность запланировать такой конвейер и при необходимости повторно запустить (частичные) конвейеры в случае появления новых данных или изменений в модели. Если необработанные данные постоянно обновляются, конвейер Airflow будет периодически повторно загружать необработанные данные и повторно развертывать модель, обученную на новых данных. Кроме того, специалист по обработке и  анализу данных может настроить модель по своему вкусу, а конвейер Airflow может автоматически повторно развернуть модель без необходимости запускать что-либо вручную. Airflow обслуживает несколько операторов на различных сервисах платформы AWS. Хотя их список никогда не бывает полным, посколь-

Подключение к облачным сервисам

171

ку сервисы постоянно добавляются, изменяются или удаляются, большинство сервисов AWS поддерживаются оператором Airflow. Операторы AWS предоставляются пакетом apache­airflow­provider­amazon. Посмотрим на конвейер (рис. 7.5).

Рис. 7.5 Логические этапы, реализованные в ОАГ

Несмотря на то что задач всего четыре, в  AWS SageMaker многое нужно настраивать, поэтому код у ОАГ длинный. Но не беспокойтесь; мы разберем его позже. Листинг 7.2

ОАГ для обучения и развертывания классификатора рукописных цифр

import gzip import io import pickle import airflow.utils.dates from airflow import DAG from airflow.operators.python import PythonOperator from airflow.providers.amazon.aws.hooks.s3 import S3Hook ➥ from airflow.providers.amazon.aws.operators.s3_copy_object import S3CopyObjectOperator ➥ from airflow.providers.amazon.aws.operators.sagemaker_endpoint import SageMakerEndpointOperator ➥ from airflow.providers.amazon.aws.operators.sagemaker_training import SageMakerTrainingOperator from sagemaker.amazon.common import write_numpy_to_dense_tensor dag = DAG( dag_id="chapter7_aws_handwritten_digits_classifier", schedule_interval=None, start_date=airflow.utils.dates.days_ago(3), S3CopyObjectOperator копирует ) объекты между двумя местоположениями S3 download_mnist_data = S3CopyObjectOperator( task_id="download_mnist_data", source_bucket_name="sagemaker­sample­data­eu­west­1", source_bucket_key="algorithms/kmeans/mnist/mnist.pkl.gz", dest_bucket_name="[your­bucket]", dest_bucket_key="mnist.pkl.gz", Иногда желаемая функциональность dag=dag, не поддерживается ни одним ) из операторов, и нужно реализовать логику самостоятельно def _extract_mnist_data():

172

Глава 7

Обмен данными с внешними системами

s3hook = S3Hook() # Скачиваем набор данных S3 в память mnist_buffer = io.BytesIO() mnist_obj = s3hook.get_key( bucket_name="[your­bucket]", key="mnist.pkl.gz", ) mnist_obj.download_fileobj(mnist_buffer)

Можно использовать S3Hook для операций в S3 Скачиваем объект S3

# Распаковываем gzip-файл, извлекаем набор данных, конвертируем и загружаем # обратно в S3 mnist_buffer.seek(0) with gzip.GzipFile(fileobj=mnist_buffer, mode="rb") as f: train_set, _, _ = pickle.loads(f.read(), encoding="latin1") output_buffer = io.BytesIO() write_numpy_to_dense_tensor( file=output_buffer, array=train_set[0], labels=train_set[1], Загружаем извлеченные ) данные обратно в S3 output_buffer.seek(0) s3hook.load_file_obj( output_buffer, key="mnist_data", Иногда желаемая функциональность bucket_name="[your­bucket]", не поддерживается ни одним replace=True, из операторов, и вам придется ) реализовать ее самостоятельно и вызвать с помощью PythonOperator extract_mnist_data = PythonOperator( task_id="extract_mnist_data", python_callable=_extract_mnist_data, SageMakerTrainingOperator dag=dag, создает обучающее ) задание SageMaker sagemaker_train_model = SageMakerTrainingOperator( task_id="sagemaker_train_model", config={ ➥ "TrainingJobName": "mnistclassifier­{{ execution_date Конфигурация .strftime('%Y­%m­%d­%H­%M­%S') }}", представляет собой "AlgorithmSpecification": { JSON, содержащий ➥ "TrainingImage": "438346466558.dkr.ecr.eu­west­ конфигурацию 1.amazonaws.com/kmeans:1", обучающего "TrainingInputMode": "File", задания }, "HyperParameters": {"k": "10", "feature_dim": "784"}, "InputDataConfig": [ { "ChannelName": "train", "DataSource": { "S3DataSource": { "S3DataType": "S3Prefix", "S3Uri": "s3://[your­bucket]/mnist_data",

Подключение к облачным сервисам

173

"S3DataDistributionType": "FullyReplicated", } }, } ], ➥ "OutputDataConfig": {"S3OutputPath": "s3://[your­bucket]/ mnistclassifier­output"}, "ResourceConfig": { "InstanceType": "ml.c4.xlarge", "InstanceCount": 1, "VolumeSizeInGB": 10, }, ➥ "RoleArn": "arn:aws:iam::297623009465:role/service­role/ AmazonSageMaker­ExecutionRole­20180905T153196", "StoppingCondition": {"MaxRuntimeInSeconds": 24 * 60 * 60}, }, wait_for_completion=True, print_log=True, check_interval=10, dag=dag,

Оператор ожидает завершения обучения и выводит журналы CloudWatch во время обучения

) sagemaker_deploy_model = SageMakerEndpointOperator( task_id="sagemaker_deploy_model", SageMakerEndpointOperator развертывает wait_for_completion=True, обученную модель, что делает ее доступной config={ за конечной точкой HTTP "Model": { ➥ "ModelName": "mnistclassifier­{{ execution_date.strftime('%Y­ %m­%d­%H­%M­%S') }}", "PrimaryContainer": { ➥ "Image": "438346466558.dkr.ecr.eu­west­1.amazonaws.com/ kmeans:1", "ModelDataUrl": ( "s3://[your­bucket]/mnistclassifier­output/" ➥ "mnistclassifier­{{ execution_date.strftime('%Y­%m­%d­ %H­%M­%S') }}/" "output/model.tar.gz" ), # Это свяжет модель и задачу по обучению }, ➥ "ExecutionRoleArn": "arn:aws:iam::297623009465:role/service­ role/AmazonSageMaker­ExecutionRole­20180905T153196", }, "EndpointConfig": { ➥ "EndpointConfigName": "mnistclassifier­{{ execution_date.strftime('%Y­%m­%d­%H­%M­%S') }}", "ProductionVariants": [ { "InitialInstanceCount": 1, "InstanceType": "ml.t2.medium", "ModelName": "mnistclassifier", "VariantName": "AllTraffic", } ],

Глава 7

174

Обмен данными с внешними системами

}, "Endpoint": { ➥ "EndpointConfigName": "mnistclassifier­{{ execution_date.strftime('%Y­%m­%d­%H­%M­%S') }}", "EndpointName": "mnistclassifier", }, }, dag=dag, ) ➥ download_mnist_data >> extract_mnist_data >> sagemaker_train_model >> sagemaker_deploy_model

С внешними сервисами сложность часто заключается не в Airflow, а  в  обеспечении правильной интеграции различных компонентов в  конвейер. Есть довольно много настроек, связанных с  SageMaker, поэтому разберем задачи фрагмент за фрагментом. Листинг 7.3

Копирование данных между двумя бакетами S3

download_mnist_data = S3CopyObjectOperator( task_id="download_mnist_data", source_bucket_name="sagemaker-sample-data-eu-west-1", source_bucket_key="algorithms/kmeans/mnist/mnist.pkl.gz", dest_bucket_name="[your-bucket]", dest_bucket_key="mnist.pkl.gz", dag=dag, )

После инициализации ОАГ первая задача копирует набор данных MNIST из общедоступного бакета в наш. Мы храним его там для дальнейшей обработки. S3CopyObjectOperator запрашивает имя бакета и  объекта в  источнике и  месте назначения и  копирует выбранный объект. Итак, как же убедиться во время разработки, что все правильно, без предварительного написания кода всего конвейера и  скрещивания пальцев, чтобы увидеть, работает ли это в промышленном окружении?

7.1.3

Локальная разработка с использованием внешних систем В частности, в  случае с AWS, если у  вас есть доступ к  облачным ресурсам из машины, используемой для разработки, с ключом доступа, вы можете запускать задачи Airflow локально. С помощью команды интерфейса командной строки airflow tasks test можно запустить отдельную задачу для заданной даты выполнения. Поскольку задача download_mnist_data не использует дату выполнения, не имеет значения, какое значение мы предоставляем. Однако предположим, что для dest_bucket_key было задано значение mnist­{{ds}}.pkl.gz; тогда нужно будет подумать о том, с какой датой выполнения мы будем

Подключение к облачным сервисам

175

проводить тестирование. Из командной строки выполните действия, указанные в следующем листинге. Листинг 7.4

Настройка для локального тестирования операторов AWS

# Add secrets in ~/.aws/credentials: # [myaws] # aws_access_key_id=AKIAEXAMPLE123456789 # aws_secret_access_key=supersecretaccesskeydonotshare!123456789 export AWS_PROFILE=myaws export AWS_DEFAULT_REGION=eu­west­1 Инициализируем локальную базу export AIRFLOW_HOME=[your project dir] метаданных Airflow airflow db init airflow tasks test chapter7_aws_handwritten_digits_classifier Запускаем одну задачу download_mnist_data 2020-01-01

С помощью данного кода мы запускаем задачу download_mnist_data и отображаем журналы. Листинг 7.5

Ручная проверка задачи с помощью команды airflow tasks test

➥ $ airflow tasks test chapter7_aws_handwritten_digits_classifier download_mnist_data 2019­01­01 INFO – Using executor SequentialExecutor INFO – Filling up the DagBag from .../dags ➥ INFO – Dependencies all met for ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ INFO – Starting attempt 1 of 1 ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ ➥ INFO – Executing on 2019-0101T00:00:00+00:00 INFO – Found credentials in shared credentials file: ~/.aws/credentials INFO – Done. Returned value was: None ➥ INFO – Marking task as SUCCESS.dag_id=chapter7_aws_handwritten_digits _classifier, task_id=download_mnist_data, execution_date=20190101T000000, start_date=20200208T110436, end_date=20200208T110541

После этого мы видим, что данные были скопированы в наш бакет (рис. 7.6). Что сейчас произошло? Мы сконфигурировали учетные данные AWS, что дает нам возможность получить доступ к облачным ресурсам с локального компьютера. Хотя это характерно для AWS, аналогичные методы аутентификации применимы к GCP и Azure. Клиент AWS boto3, используемый в операторах Airflow, будет искать учетные данные в разных местах на машине, где запущена задача. В листинге 7.4 мы задаем переменную окружения AWS_PROFILE, которую клиент boto3 использует для аутентификации. После этого задаем еще одну

Глава 7

176

Обмен данными с внешними системами

переменную окружения: AIRFLOW_HOME. Это место, где Airflow будет хранить журналы и т.  п. Внутри этого каталога Airflow будет искать каталог /dags. Если это произойдет в другом месте, то можно воспользоваться еще одной переменной окружения: AIRFLOW __CORE__DAGS_ FOLDER.

Рис. 7.6 После локального запуска задачи с помощью команды airflow tasks test данные копируются в наш бакет AWS S3

Далее мы выполняем команду airflow db init. Перед тем как сделать это, убедитесь, что вы не использовали переменную AIRFLOW__ CORE__SQL_ALCHEMY_CONN (унифицированный идентификатор ресурса базы данных, где хранятся все состояния) или задали для нее значение URI базы данных специально с целью тестирования. Без настройки AIRFLOW __CORE__SQL_ALCHEMY_CONN команда airflow db init инициализирует локальную базу данных SQLite (один файл, конфигурация не требуется) внутри переменной окружения AIRFLOW_HOME1. Команда airflow tasks test существует для запуска и проверки одной задачи и не записывает состояние в базу данных; однако для хранения журналов требуется база данных, поэтому мы должны инициализировать ее с помощью команды airflow db init. После всего этого можно запустить задачу из командной строки с  помощью команды airflow tasks test chapter7_aws_handwritten_ digits_classifier extract_mnist_data 2020­01­01. После того как мы скопировали файл в наш собственный бакет S3, нужно преобразовать его в формат, который ожидает модель SageMaker KMeans, а именно формат RecordIO2. Листинг 7.6

Преобразование данных MNIST в формат RecordIO для модели SageMaker KMeans

import gzip import io import pickle

1

2

База данных будет создана в файле airflow.db в каталоге, заданном переменной AIRFLOW_HOME. Его можно открыть и  проверить, например с  помощью DBeaver. Документацию по MIME-типу application/x­recordio­protobuf можно найти на странице https://docs.aws.amazon.com/de_de/sagemaker/latest/dg/ cdf-inference.html.

Подключение к облачным сервисам

177

from airflow.operators.python import PythonOperator from airflow.providers.amazon.aws.hooks.s3 import S3Hook from sagemaker.amazon.common import write_numpy_to_dense_tensor def _extract_mnist_data(): s3hook = S3Hook()

Инициализируем S3Hook для обмена данными с S3

# Скачиваем набор данных S3 в память mnist_buffer = io.BytesIO() mnist_obj = s3hook.get_key( bucket_name="your-bucket", key="mnist.pkl.gz", ) mnist_obj.download_fileobj(mnist_buffer)

Скачиваем данные в двоичный поток в памяти

# Распаковываем файл gzip, извлекаем набор данных, выполняем преобразование # и загружаем обратно в S3 mnist_buffer.seek(0) with gzip.GzipFile(fileobj=mnist_buffer, mode="rb") as f: train_set, _, _ = pickle.loads(f.read(), encoding="latin1") output_buffer = io.BytesIO() Выполняем write_numpy_to_dense_tensor( Преобразовываем массив разархивирование file=output_buffer, Numpy в записи RecordIO и десериализацию array=train_set[0], labels=train_set[1], ) output_buffer.seek(0) s3hook.load_file_obj( Загружаем результат в S3 output_buffer, key="mnist_data", bucket_name="your­bucket", replace=True, ) extract_mnist_data = PythonOperator( task_id="extract_mnist_data", python_callable=_extract_mnist_data, dag=dag, )

Сам по себе Airflow – это универсальный фреймворк оркестровки с управляемым набором функций, которые необходимо изучать. Однако работа с данными часто требует времени и опыта, чтобы быть в курсе всех технологий и знать, какие точки и каким образом соединять. Процесс разработки в Airflow никогда не осуществляется сам по себе; вы часто подключаетесь к другим системам и читаете документацию по этой конкретной системе. Хотя Airflow инициирует выполнение такой задачи, сложность разработки конвейера обработки данных часто лежит за пределами Airflow и связана с системой, с которой вы обмениваетесь данными. Хотя эта книга посвящена исключительно Airflow, в связи с особенностями работы с другими инструментами

178

Глава 7

Обмен данными с внешними системами

обработки данных мы попытаемся продемонстрировать на этих примерах, что значит разработка конвейера обработки данных. Для этой задачи в Airflow нет функций для скачивания данных и их извлечения, преобразования и  выгрузки результата в  S3. Следовательно, нужно реализовать собственную функцию. Она будет скачивать данные в двоичный поток в памяти (io.BytesIO), чтобы данные никогда не сохранялись в файле в файловой системе и чтобы после выполнения задачи файлов не оставалось. Размер базы MNIST невелик (15  МБ), поэтому она будет работать на любой машине. Однако нужно подумать о  реализации; в  случае с  большими данными, возможно, разумнее будет хранить данные на дисках и обрабатывать их частями. Аналогично эту задачу можно запустить или протестировать локально: airflow tasks test chapter7_aws_handwritten_digits_classifier extract_mnist_data 2020­01­01

После завершения данные будут видны в S3 (рис. 7.7).

Рис. 7.7 Заархивированные и сериализованные данные были прочитаны и преобразованы в пригодный для использования формат

Следующие две задачи обучают и развертывают модель SageMaker. Операторы SageMaker принимают аргумент config, что влечет за собой конфигурацию, предназначенную конкретно для SageMaker, обсуждение которой выходит за рамки этой книги. Сосредоточимся на других аргументах. Листинг 7.7

Обучение модели SageMaker

sagemaker_train_model = SageMakerTrainingOperator( task_id="sagemaker_train_model", config={ ➥ "TrainingJobName": "mnistclassifier-{{ execution_date.strftime('%Y%m-%d-%H-%M-%S') }}", ... }, wait_for_completion=True, print_log=True, check_interval=10, dag=dag, )

Подключение к облачным сервисам

179

Многие детали в аргументе config относятся к SageMaker, и о них можно узнать, прочитав документацию по SageMaker. Однако можно сделать два урока, применимых к работе с любой внешней системой. Во-первых, AWS ограничивает параметр TrainingJobName, чтобы сделать его уникальным в  рамках учетной записи AWS и  региона. Дважды запустив этого оператора с  одним и тем же именем Train­ ingJobName, вы получите ошибку. Скажем, мы предоставили Training­ JobName фиксированное значение mnistclassifier; если запустить его во второй раз, то это приведет к сбою: botocore.errorfactory.ResourceInUse: An error occurred (ResourceInUse) when calling the CreateTrainingJob operation: Training job names must be unique within an AWS account and region, and a training job with this name already exists (arn:aws:sagemaker:eu­west­1:[account]:training­job/mnistclassifier)

Аргумент config можно шаблонизировать, следовательно, если вы планируете периодически переобучать свою модель, то должны предоставить ей уникальное имя TrainingJobName, что можно сделать, создав шаблон с execution_date. Таким образом мы гарантируем идемпотентность нашей задачи, и  существующие обучающие задания не будут приводить к конфликту имен. Во-вторых, обратите внимание на аргументы wait_for_completion и check_interval. Если для аргумента wait_for_completion задано значение false, команда сработает по принципу fire and forget (выстрелил и забыл) (так и работает клиент boto3): AWS приступит к обучению, но мы так и не узнаем, прошло ли оно успешно. Поэтому все операторы SageMaker ждут (по умолчанию wait_for_completion=True) завершения данной задачи. Внутри операторы осуществляют опрос каждые X секунд, проверяя, выполняется ли задание. Это гарантирует, что наши задачи Airflow будут завершены только после окончания (рис.  7.8). Если у вас есть нижестоящие задачи и вы хотите обеспечить правильное поведение и порядок конвейера, нужно дождаться завершения.

Рис. 7.8 Операторы SageMaker срабатывают успешно только после успешного завершения задания в AWS

После завершения всего конвейера мы успешно развернули модель SageMaker и конечную точку, чтобы предоставить доступ (рис. 7.9).

Рис. 7.9 В меню модели SageMaker видно, что модель развернута, а конечная точка находится в рабочем состоянии

Глава 7

180

Обмен данными с внешними системами

Однако в  AWS конечная точка SageMaker не доступна внешнему миру. Она доступна через API-интерфейсы AWS, но, например, не через доступную везде конечную точку HTTP. Конечно, чтобы завершить конвейер обработки данных, нам нужен хороший интерфейс или API для ввода рукописных цифр и получения результата. В AWS, чтобы сделать его доступным через интернет, можно было бы воспользоваться AWS Lambda (https://aws.amazon.com/ru/ lambda/), чтобы запустить конечную точку SageMaker и API Gateway (https://aws.amazon.com/ru/api-gateway/) для создания конечной точки, перенаправляя запросы в Lambda1, так почему бы не интегрировать их в наш конвейер (рис. 7.10). Конвейер Airflow

Разовое развертывание

AWS Lambda

AWS API Gateway

Рис. 7.10 Классификатор рукописных цифр состоит из большего числа компонентов, нежели простой конвейер Airflow

Причина отказа от развертывания инфраструктуры заключается в том, что Lambda и API Gateway будут развертываться разово, а  не периодически. Они работают на онлайн-этапе модели, и поэтому их лучше развертывать как часть конвейера непрерывной интеграции и доставки. Для полноты картины API можно реализовать с помощью Chalice. Листинг 7.8

Пример API, с которым могут взаимодействовать пользователи, с использованием AWS Chalice

import json from io import BytesIO import boto3 import numpy as np from PIL import Image from chalice import Chalice, Response from sagemaker.amazon.common import numpy_to_record_serializer app = Chalice(app_name="number­classifier") @app.route("/", methods=["POST"], content_types=["image/jpeg"]) def predict(): "" Предоставляем этой конечной точке изображение в формате jpeg. 1

Chalice (https://github.com/aws/chalice) – это фреймворк на языке Python, аналогичный Flask, который используется для разработки API и автоматического создания базового шлюза API и лямбда-ресурсов в AWS.

Подключение к облачным сервисам

181

Изображение должно быть по размеру равно изображениям, используемым для обучения(28×28). """ img = Image.open(BytesIO(app.current_request.raw_body)).convert("L") img_arr = np.array(img, dtype=np.float32) Преобразуем исходное изображение runtime = boto3.Session().client( в массив numpy в оттенках серого service_name="sagemaker­runtime", region_name="eu­west­1", Вызываем конечную точку SageMaker, ) которую развернул ОАГ response = runtime.invoke_endpoint( EndpointName="mnistclassifier", ContentType="application/x­recordio­protobuf", Body=numpy_to_record_serializer()(img_arr.flatten()), ) result = json.loads(response["Body"].read().decode("utf-8")) return Response( Ответ SageMaker result, возвращается в виде байтов status_code=200, headers={"Content­Type": "application/json"}, )

API содержит одну конечную точку, которая принимает изображение в формате JPEG. Листинг 7.9

Классификация изображения рукописной цифры путем его отправки в API

curl ­­request POST \ ­­url http://localhost:8000/ \ ­­header 'content­type: image/jpeg' \ ­­data­binary @'/path/to/image.jpeg'

При правильном обучении результат выглядит, как показано на рис. 7.11. { "predictions": [ { "distance_to_cluster": 2284.0478515625, "closest_cluster": 2.0 } ] }

Рис. 7.11 Пример ввода и вывода API. В результате у вас может получиться прекрасный пользовательский интерфейс для загрузки изображений и отображения прогнозируемого числа

API преобразует данное изображение в формат RecordIO, который использовался для обучения модели SageMaker. Затем объект RecordIO пересылается в конечную точку SageMaker, развернутую конвейером Airflow, и, наконец, возвращает прогнозируемое число.

182

7.2

Глава 7

Обмен данными с внешними системами

Перенос данных из одной системы в другую Классический вариант использования Airflow – это периодическое задание ETL, при котором данные скачиваются ежедневно и преобразуются в другом месте. Такое задание часто используется в аналитических целях, когда данные экспортируются из рабочей базы данных и хранятся в другом месте для последующей обработки. Рабочая база данных чаще всего (в  зависимости от модели данных) не способна возвращать архивные данные (например, состояние базы данных, каким оно было месяц назад). Поэтому нередко создается периодический экспорт, который сохраняется для последующей обработки. Дампы архивных данных быстро повысят ваши требования к  хранилищу и потребуют распределенной обработки для обработки всех данных. В этом разделе вы узнаете, как оркестрировать такую задачу с помощью Airflow. Мы разработали репозиторий в GitHub с примерами кода для этой книги. Он содержит файл Docker Compose для развертывания и  запуска следующего варианта использования, в  котором мы извлекаем данные листинги Airbnb и обрабатываем их в контейнере Docker с помощью библиотеки Pandas. При обработке данных большого масштаба контейнер Docker можно заменить заданием Spark, которое распределяет работу по нескольким машинам. Файл Docker Compose содержит: „ один контейнер Postgres со списками по Амстердаму от Airbnb; „ один контейнер, совместимый с API AWS S3. Поскольку у нас нет «AWS S3-в-Docker», мы создали контейнер MinIO (хранилище объектов, совместимое с API AWS S3) для чтения и записи данных; „ один контейнер Airflow. Визуально поток будет выглядеть, как показано на рис. 7.12.

Загрузка данных и определение ценовых колебаний Скачивание данных

+

Запись результатов

Рис. 7.12 Airflow управляет заданиями, перемещая данные из одной системы в другую

Перенос данных из одной системы в другую

183

Airflow ведет себя как «паук в паутине», запускает задания и управляет ими, обеспечивая их успешное завершение в правильном порядке, в противном случае произойдет сбой конвейера. Контейнер Postgres  – это специально созданный образ Postgres, содержащий базу данных, заполненную данными из Inside Airbnb, которые доступны в Docker Hub как airflowbook / insideairbnb. В базе данных содержится одна таблица с названием «listings», в которой содержатся записи о местах в Амстердаме, указанных на сайте Airbnb в период с апреля 2015 года по декабрь 2019 года (рис. 7.13).

Рис. 7.13 Пример структуры таблицы базы данных Inside Airbnb

Для начала выполним запрос к базе данных и экспортируем данные в S3. Оттуда мы будем читать и обрабатывать данные с помощью Pandas. Передача данных из одной системы в другую, возможно, с промежуточным преобразованием – распространенная задача в Airflow. Запрос к  базе данных MySQL и  сохранение результата в  Google Cloud Storage, копирование данных с  SFTP-сервера в  озеро данных в AWS S3 или вызов HTTP REST API и сохранение вывода имеют одну общую особенность, а именно: они имеют дело с двумя системами, одна из которых используется для ввода, а другая – для вывода. В экосистеме Airflow это привело к появлению множества операторов типа «A-to-B». Для этих примеров у  нас есть MySql­ToGoogle­ CloudStorageOperator, SFTPToS3Operator и  SimpleHttpOperator. Хотя существует в  экосистеме Airflow множество примеров операторов, оператора Postgres­query­to­AWS­S3 (на момент написания книги) не существует. Так что же делать?

184

7.2.1

Глава 7

Обмен данными с внешними системами

Реализация оператора PostgresToS3Operator Во-первых, мы могли бы обратить внимание на то, как работают другие похожие операторы, и  разработать собственный оператор PostgresToS3Operator. Рассмотрим оператор, тесно связанный с  нашим примером, MongoToS3Operator из airflow.providers.amazon.aws. transfers.mongo_to_s3 (после установки apache­airflow­provider­am­ azon). Этот оператор выполняет запрос к базе данных MongoDB и сохраняет результат в бакете AWS S3. Изучим его и выясним, как заменить MongoDB на Postgres. Метод execute() реализован следующим образом (часть кода «запутана»). Листинг 7.10

Реализация MongoToS3Operator

def execute(self, context): s3_conn = S3Hook(self.s3_conn_id)

Создается экземпляр S3Hook

results = MongoHook(self.mongo_conn_id).find( mongo_collection=self.mongo_collection, query=self.mongo_query, mongo_db=self.mongo_db ) docs_str = self._stringify(self.transform(results)) # Загрузка в S3 s3_conn.load_string( string_data=docs_str, key=self.s3_key, bucket_name=self.s3_bucket, replace=self.replace )

Создается экземпляр MongoHook, который используется для запроса данных Результаты трансформируются

Вызывается метод load_string() для записи преобразованных результатов

Важно отметить, что этот оператор не использует файловые системы на машине Airflow, а сохраняет все результаты в памяти. Процесс в основном выглядит так: MongoDB → Airflow in operator memory → AWS S3.

Поскольку этот оператор сохраняет промежуточные результаты в  памяти, подумайте о  последствиях для памяти при выполнении очень больших запросов, потому что очень большой результат потенциально может истощить доступную память на машине Airflow. А пока не будем забывать о реализации MongoToS3Operator и рассмотрим еще один оператор, S3ToSFTPOperator. Листинг 7.11

Реализация S3ToSFTPOperator

def execute(self, context): ssh_hook = SSHHook(ssh_conn_id=self.sftp_conn_id) s3_hook = S3Hook(self.s3_conn_id)

Перенос данных из одной системы в другую

185

NamedTemporaryFile используется для временного скачивания файла, который удаляется после выхода из контекста with NamedTemporaryFile("w") as f: s3_client.download_file(self.s3_bucket, self.s3_key, f.name) sftp_client.put(f.name, self.sftp_path) s3_client = s3_hook.get_conn() sftp_client = ssh_hook.get_conn().open_sftp()

Этот оператор, опять же, создает два хука: SSHHook (SFTP – это FTP через SSH) и S3Hook. Однако в этом операторе промежуточный результат записывается в NamedTemporaryFile, временное место в локальной файловой системе экземпляра Airflow. В этой ситуации мы не сохраняем в памяти весь результат, но должны убедиться, что на диске достаточно места. У обоих операторов есть два общих хука: один для обмена данными с системой A и второй для системы B. Однако способ извлечения и передачи данных из системы A в систему B отличается и зависит от того, кто реализует конкретный оператор. В конкретном случае с Postgres курсоры базы данных могут выполнять итерацию для извлечения и загрузки фрагментов результатов. Однако такие подробности реализации выходят за рамки этой книги. Будем проще и предположим, что промежуточный результат соответствует границам ресурсов экземпляра Airflow. Очень минимальная реализация оператора PostgresToS3Operator может выглядеть следующим образом. Листинг 7.12

Пример реализации PostgresToS3Operator

def execute(self, context): postgres_hook = PostgresHook(postgres_conn_id=self._postgres_conn_id) s3_hook = S3Hook(aws_conn_id=self._s3_conn_id) results = postgres_hook.get_records(self._query) Извлекаем записи из базы s3_hook.load_string( данных PostgreSQL string_data=str(results), Загружаем записи в объект S3 bucket_name=self._s3_bucket, key=self._s3_key, )

Изучим этот код. Инициализация обоих хуков проста; мы инициализируем их, предоставляя имя идентификатора подключения, указанного пользователем. Хотя использовать аргументы ключевого слова необязательно, вы, возможно, заметили, что S3Hook принимает аргумент aws_conn_id (а не s3_conn_id, как вы могли ожидать). Во время разработки такого оператора и использования подобных хуков иногда неизбежно приходится погружаться в исходный код или внимательно читать документацию, чтобы просмотреть все доступные аргументы и понять, как осуществляется распространение на классы. В случае с S3Hook он является подклассом AwsHook и наследует ряд методов и атрибутов, например aws_conn_id.

Глава 7

186

Обмен данными с внешними системами

PostgresHook также является подклассом, а  именно класса DbApi­ Hook. При этом он наследует несколько методов, таких как get_re­ cords(), который выполняет заданный запрос и возвращает результаты. Тип возврата  – это последовательность последовательностей (точнее, список кортежей1). Затем мы преобразовываем результаты в строку и вызываем метод load_string(), который записывает закодированные данные в  заданный бакет или ключ в AWS S3. Вы, возможно, думаете, что это не очень практично, и  вы правы. Хотя это минимальный поток для выполнения запроса в Postgres и записи результата в AWS S3, список кортежей преобразован в строку, который ни один из фреймворков обработки данных не может интерпретировать как обычный формат файла, такой как CSV или JSON (рис. 7.14).

Рис. 7.14 Экспорт данных из базы данных Postgres в кортежи, которые были преобразованы в строку

Сложная часть разработки конвейеров обработки данных часто заключается не в оркестровке заданий с Airflow, а в гарантии того, что все части и детали различных заданий правильно настроены и сочетаются друг с  другом, как кусочки головоломки. Итак, запишем результаты в формат CSV; это позволит фреймворкам обработки данных, таким как Apache Pandas и Spark, с легкостью интерпретировать выходные данные. Для загрузки данных в  S3 S3Hook предоставляет разные удобные методы. В случае с файловыми объектами2 можно применить метод load_file_obj(). Листинг 7.13

Преобразование в памяти результатов запроса к Postgres в формат CSV и загрузка в S3

def execute(self, context): postgres_hook = PostgresHook(postgres_conn_id=self._postgres_conn_id) s3_hook = S3Hook(aws_conn_id=self._s3_conn_id) Для удобства мы сначала создаем строковый буфер, похожий на файл в памяти, в который можно results = postgres_hook.get_records(self.query) записывать строки. После записи мы преобразуем его в двоичный формат data_buffer = io.StringIO()

1 2

Как указано в спецификации PEP 249. Объекты в  памяти с  методами для операций с  файлами для чтения или записи.

Перенос данных из одной системы в другую

187

csv_writer = csv.writer(data_buffer, lineterminator=os.linesep) csv_writer.writerows(results) data_buffer_binary = io.BytesIO(data_buffer.getvalue().encode()) s3_hook.load_file_obj( file_obj=data_buffer_binary, Требуется файловый объект bucket_name=self._s3_bucket, в двоичном режиме key=self._s3_key, replace=True, Обеспечиваем идемпотентность, заменив ) файлы, если они уже существуют

Буферы находятся в  памяти, что может быть удобно, поскольку после обработки в файловой системе не остается файлов. Однако мы должны понимать, что вывод запроса к  Postgres должен умещаться в  памяти. Ключ к  идемпотентности  – задать для replace значение True. Так вы гарантируете перезапись существующих файлов. Мы можем перезапустить конвейер, например после изменения кода, и тогда конвейер завершится ошибкой, если для replace задано значение True из-за существующего файла. С помощью этих дополнительных строк мы теперь можем хранить файлы с  расширением CSV в  S3. Посмотрим, как это выглядит на практике. Листинг 7.14

Запуск PostgresToS3Operator

download_from_postgres = PostgresToS3Operator( task_id="download_from_postgres", postgres_conn_id="inside_airbnb", query="SELECT * FROM listings WHERE download_date={{ ds }}", s3_conn_id="s3", s3_bucket="inside_airbnb", s3_key="listing-{{ ds }}.csv", dag=dag, )

Теперь у  нас есть удобный оператор, превращающий запросы к Postgres и запись результата в CSV-файл в упражнение по заполнению пропусков.

7.2.2

Привлекаем дополнительные ресурсы для тяжелой работы В сообществе Airflow часто обсуждают, следует ли рассматривать Airflow не только как систему оркестровки задач, но и как систему их выполнения, поскольку многие ОАГ написаны с помощью BashOperator и PythonOperator, которые выполняют работу в рамках одной и той же среды выполнения Python как Airflow. Противники этой точки зрения утверждают, что рассматривают Airflow только как систему для запуска задач, и полагают, что внутри самого Airflow не следует выполнять

188

Глава 7

Обмен данными с внешними системами

никаких фактических работ. Вместо этого всю работу нужно передать системе, предназначенной для работы с данными, такой как Apache Spark. Представим, что у  нас есть очень большое задание, на которое потребуются все ресурсы компьютера, на котором работает Airflow. В этом случае лучше выполнить его в другом месте; Airflow запустит задание и дождется его завершения. Идея состоит в том, что должно быть четкое разделение между оркестровкой и  выполнением, чего можно достичь с помощью Airflow, запускающего задание и ожидающего его завершения, и фреймворка обработки данных, такого как Spark, выполняющего фактическую работу. В Spark есть несколько способов для запуска задания: „ использовать SparkSubmitOperator – для этого требуется утилита spark-subnit и режим yarn-client на компьютере, где работает Airflow, чтобы найти экземпляр Spark; „ применить SSHOperator – для этого требуется доступ к экземпляру Spark по протоколу SSH, но не нужен режим spark-client в экземпляре Airflow; „ использовать SimpleHTTPOperator – для этого надо запустить Livy, REST API для Apach Spark, чтобы получить доступ к Spark. Ключ к работе с любым оператором в Airflow – это чтение документации, чтобы выяснить, какие аргументы предоставить. Посмотрим на оператор DockerOperator, который запускает контейнер Docker для обработки данных Inside Airbnb с помощью Pandas. Листинг 7.15

Запуск контейнера Docker с помощью DockerOperator

crunch_numbers = DockerOperator( task_id="crunch_numbers", image="airflowbook/numbercruncher", Удаляем контейнер api_version="auto", после завершения auto_remove=True, docker_url="unix://var/run/docker.sock", network_mode="host", Чтобы подключиться к другим environment={ службам на хост-машине через "S3_ENDPOINT": "localhost:9000", http://localhost, нужно совместно "S3_ACCESS_KEY": "[insert access key]", использовать пространство имен "S3_SECRET_KEY": "[insert secret key]", хост-сети, задав для network_mode }, значение host dag=dag, )

DockerOperator оборачивается вокруг клиента Python Docker и, учитывая список аргументов, позволяет запускать контейнеры Docker. В  листинге  7.15 для docker_url задано значение в  виде сокета Unix, а для этого требуется, чтобы Docker работал на локальном компьютере. Мы запускаем образ Docker airflowbook/numbercruncher, включающий в себя сценарий Pandas, который загружает внутренние данные Airbnb из S3, обрабатывает их и записывает результаты в S3.

Резюме

Листинг 7.16

189

Пример результатов из сценария numbercruncher

[ { "id": 5530273, "download_date_min": 1428192000000, "download_date_max": 1441238400000, "oldest_price": 48, "latest_price": 350, "price_diff_per_day": 2 }, { "id": 5411434, "download_date_min": 1428192000000, "download_date_max": 1441238400000, "oldest_price": 48, "latest_price": 250, "price_diff_per_day": 1.3377483444 }, ... ]

Airflow управляет запуском контейнера, извлечением журналов и  в  конечном итоге удалением контейнера, если потребуется. Ключ в том, чтобы гарантировать, что ни одно состояние не осталось позади, чтобы ваши задачи могли выполняться идемпотентно и не было ничего лишнего.

Резюме Операторы внешних систем предоставляют функции, вызывая клиента для данной системы. „ Иногда эти операторы просто передают аргументы клиенту Python. „ В других случаях они предоставляют дополнительные возможности, такие как оператор SageMakerTrainingOperator, который непрерывно опрашивает AWS и выполняет блокировку до завершения. „ Если можно получить доступ к  внешним сервисам с  локального компьютера, то можно тестировать задачи с  помощью команды airflow tasks test. „

8

Создание пользовательских компонентов

Эта глава рассказывает о: создании более модульных и лаконичных ОАГ с помощью пользовательских компонентов; „ проектировании и реализации собственного хука; „ проектировании и реализации собственного оператора; „ проектировании и реализации собственного сенсора; „ распространении пользовательских компонентов в качестве базовой библиотеки Python. „

Одна из сильных сторон Airflow состоит в том, что его можно легко расширить для координации заданий в различных типах систем. Мы уже видели некоторые из этих функций в  предыдущих главах, где нам удалось выполнить задание по обучению модели в Amazon SageMaker с  помощью оператора S3CopyObjectOperator, но можно также использовать Airflow (например) для выполнения заданий в кластере ECS (Elastic Container Service) в AWS с помощью ECSOperator для выполнения запросов к базе данных Postgres с PostgresOperator и делать многое другое. Однако в какой-то момент вам может понадобиться выполнить задачу в системе, которая не поддерживается Airflow, или у вас может быть задача, которую можно реализовать с  помощью PythonOpera­ tor, но для этого требуется много шаблонного кода, что не позволяет

Начнем с PythonOperator

191

другим с  легкостью повторно использовать ваш код в  разных ОАГ. Что же делать? К счастью, Airflow дает возможность создавать новые операторы для реализации пользовательских операций. Он позволяет запускать задания в системах, которые не поддерживаются иным образом, или просто упростить выполнение распространенных операций в  ОАГ. Фактически именно так и было реализовано множество операторов в Airflow: кому-то нужно было запустить задание в определенной системе и создать для него оператор. В этой главе мы покажем вам, как создавать собственные операторы и использовать их в своих ОАГ. Мы также рассмотрим, как упаковать эти компоненты в пакет Python, чтобы упростить их установку и повторное использование в разных окружениях.

8.1

Начнем с PythonOperator Прежде чем создавать какие-либо пользовательские компоненты, попробуем решить нашу проблему с помощью (теперь уже знакомого) оператора PythonOperator. В данном случае нас интересует создание рекомендательной системы, которая будет предлагать новые фильмы в зависимости от нашей истории просмотров. Однако в качестве первоначального пилотного проекта мы решили сосредоточиться на простом получении данных, которые касаются прошлых оценок пользователей по данному набору фильмов и  рекомендации фильмов, которые кажутся наиболее популярными в целом, на основе их рейтинга. Данные по рейтингу фильмов будут предоставляться через API, который можно использовать для получения оценок пользователей за определенный период времени. Это позволяет нам, например, ежедневно получать новые оценки и использовать их для обучения нашей рекомендательной системы. Для нашего пилотного проекта нам нужно настроить этот ежедневный процесс импорта и  создать рейтинг самых популярных фильмов. Он будет использоваться в  дальнейшем для рекомендации популярных фильмов (рис. 8.1). API рейтингов

Извлечение новых рейтингов (ежедневно)

Рейтинг фильмов по популярности (ежедневно)

Рекомендательное приложение

Рис. 8.1 Создание простого пилотного проекта рекомендательной системы

8.1.1 Имитация API для рейтинга фильмов Чтобы смоделировать данные для этого примера, мы используем данные из базы MovieLens 25M (https://grouplens.org/datasets/movielens/), которая находится в  свободном доступе и  содержит 25 млн оценок

Глава 8

192

Создание пользовательских компонентов

62 000 фильмов от 162 000 пользователей. Поскольку сама база предоставляется в виде неструктурированного файла, мы создали небольшой REST API с  использованием Flask1, который обслуживает части базы на разных конечных точках. Чтобы начать обслуживание API, мы предоставили небольшой файл Docker Compose, который создает несколько контейнеров: один для нашего REST API и еще пару для запуска самого Airflow. Оба контейнера можно запустить с помощью следующих команд: $ cd chapter08 $ docker­compose up

После того как оба контейнера запустятся, вы сможете получить доступ к  API на порту 5000 на локальном хосте (http://localhost: 5000). Перейдя по этому адресу, вы должны увидеть на экране приветствие: Нello from the Movie Rating API! (рис. 8.2).

Рис. 8.2

Приветствие, которое вы увидите на экране

Нас в  основном интересует получение рейтингов фильмов, которые предоставляются конечной точкой API /rating. Чтобы получить доступ к ней, перейдите на страницу http://localhost:5000/ratings. Вы должны увидеть на экране поля для ввода логина и пароля (рис. 8.3), поскольку эта часть API возвращает данные, которые могут содержать (потенциально) конфиденциальную информацию о пользователе. По умолчанию мы используем комбинацию airflow/airflow в  качестве имени пользователя и пароля. После ввода учетных данных вы должны получить начальный список рейтингов (рис. 8.4). Как видите, рейтинги возвращаются в формате JSON. В этом файле фактические рейтинги содержатся в ключе result, а два дополнительных поля, limit и  offset, указывают на то, что мы просматриваем только одну страницу результатов (первые 100 оценок) и что потенциально доступно больше рейтингов (обозначается полем total, где описано общее количество записей, доступных для запроса). 1

Код API доступен в репозитории, прилагаемом к этой книге.

Начнем с PythonOperator

193

Рис. 8.3 Аутентификация

Рис. 8.4

Рейтинги, возвращаемые конечной точкой

Чтобы просмотреть результат запроса с  разбивкой на страницы, можно использовать параметр offset. Например, чтобы получить следующий набор из 100 записей, можно добавить этот параметр со значением 100: http://localhost:5000/ratings?offset=100 Также можно увеличить количество записей, извлекаемых в одном запросе, используя параметр limit: http://localhost:5000/ratings?limit=1000 По умолчанию конечная точка возвращает все рейтинги, доступные в API. Чтобы получить рейтинги для определенного периода времени,

Глава 8

194

Создание пользовательских компонентов

можно выбрать рейтинги между заданной датой начала и окончания, используя параметры1 start_date и end_date: http://localhost:5000/ratings?start_date=2019-01-01&end_date=201901-02 Такая возможность фильтрации позволит нам загружать данные из API по возрастающей (ежедневно), без необходимости загружать весь набор данных.

8.1.2 Получение оценок из API Теперь, когда мы познакомились с  API MovieLens, нам нужно приступить к извлечению рейтингов программными средствами, чтобы (позже) можно было автоматизировать этот процесс с помощью Airflow. Для доступа к нашему API из Python можно использовать requests (https://docs.python-requests.org/en/master/), популярную и  простую в  применении библиотеку для выполнения HTTP-запросов. Чтобы начать отправку запросов с помощью нашего API, для начала нужно создать сеанс requests с использованием класса Session: import requests session = requests.Session()

Этот сеанс позволит нам получать рейтинги из API с помощью метода get, который выполняет HTTP-запрос: response = session.get("http://localhost:5000/ratings")

Метод get также позволяет передавать дополнительные аргументы, такие как параметры (например, дата начала/окончания), чтобы включить их в запрос: response = session.get( "http://localhost:5000/ratings", params={ "start_date": "2019­01­01", "end_date": "2019­01­02", }, )

Вызов get вернет объект ответа, представляющий собой результат запроса. Этот объект можно использовать для проверки успешности запроса с помощью метода raise_for_status, который возбуждает исключение, если запрос вернул неожиданный код состояния. Мы мо1

API предоставляет данные только 30-дневной давности, поэтому обязательно обновите параметры start_date и end_date на более свежие даты, чтобы получить результаты.

Начнем с PythonOperator

195

жем получить доступ к результату запроса с помощью атрибута content или, в этом случае, с помощью метода json (поскольку мы знаем, что наш API возвращает данные в формате JSON): response.raise_for_status() response.json()

Если выполнить этот запрос, то можно увидеть, что наши запросы не работают, так как мы забыли включить сюда аутентификацию. Поскольку наш API использует базовую HTTP-аутентификацию, мы можем настроить наш сеанс, чтобы включить сюда данные аутентификации: movielens_user = "airflow" movielens_password = "airflow" session.auth = (movielens_user, movielens_password)

Это гарантирует, что сеанс запросов включает сюда аутентификацию по имени пользователя и паролю с запросами. Инкапсулируем эту функциональность в  функцию _get_session, которая будет обрабатывать настройку сеанса с  аутентификацией, чтобы нам не пришлось беспокоиться об этом в других частях кода, и позволим этой функции возвращать базовый URL-адрес API, чтобы он также был определен в одном месте. Листинг 8.1

Функция, создающая HTTP-сеанс для API

def _get_session(): """ Создает сеанс requests для API Movielens.""" Создаем сеанс requests session = requests.Session() session.auth = ("airflow", "airflow") Конфигурируем сеанс для базовой HTTP-аутентификации с этим base_url = "http://localhost:5000" именем пользователя и паролем return session, base_url Возвращаем сеанс вместе с базовым URL-адресом API, чтобы мы также знали, где получить доступ к API

Чтобы это выглядело более приемлемо с точки зрения конфигурации, мы также можем указать имя пользователя и пароль и различные части нашего URL-адреса с использованием переменных окружения: Листинг 8.2

Создание настраиваемой функции _get_session (dags/01_python.py)

Получаем сведения о конфигурации API из необязательных переменных окружения MOVIELENS_HOST = os.environ.get("MOVIELENS_HOST", "movielens") MOVIELENS_SCHEMA = os.environ.get("MOVIELENS_SCHEMA", "http") MOVIELENS_PORT = os.environ.get("MOVIELENS_PORT", "5000")

196

Глава 8

Создание пользовательских компонентов

MOVIELENS_USER = os.environ["MOVIELENS_USER"] MOVIELENS_PASSWORD = os.environ["MOVIELENS_PASSWORD"] Извлекаем имя пользователя и пароль из двух обязательных def _get_session(): переменных окружения """ Создает сеанс requests для API Movielens.""" session = requests.Session() session.auth = (MOVIELENS_USER, MOVIELENS_PASSWORD) base_url = f"{MOVIELENS_SCHEMA}://{MOVIELENS_HOST}:{MOVIELENS_PORT}" return session, base_url

Используем полученную конфигурацию для создания сеанса и базового URL-адреса

session, base_url = _get_session()

Позже это позволит нам легко изменять данные параметры при запуске нашего сценария, определяя значения переменных окружения. Теперь, когда у  нас есть элементарная настройка для сеанса requests, нам нужно реализовать функции, которые будут прозрачно обрабатывать пагинацию API. Один из способов сделать это  – обернуть наш вызов session.get в код, который проверяет ответ API и продолжает запрашивать новые страницы, пока мы не достигнем общего количества записей. Листинг 8.3

Вспомогательная функция для пагинации (dags/01_python.py)

def _get_with_pagination(session, url, params, batch_size=100): "" Извлекает записи с помощью запроса GET с заданными URL и параметрами с учетом разбивки на страницы Отслеживаем, сколько записей мы получили """ и сколько записей следует ожидать offset = 0 Продолжаем обход, пока не извлечем total = None все записи. Обратите внимание, while total is None or offset < total: что проверка None предназначена response = session.get( для первого цикла, так как общее url, количество записей неизвестно params={ до окончания первого цикла **params, **{"offset": offset, "limit": batch_size} } Проверяем состояние результата ) и выполняем анализ полученных Извлекаем новую response.raise_for_status() данных в формате JSON страницу, начиная response_json = response.json() с заданного Передаем вызывающему объекту параметра offset yield from response_json["result"] все полученные записи offset += batch_size total = response_json["total"]

Обновляем текущий offset и общее количество записей

Начнем с PythonOperator

197

Когда мы используем yield from для возврата результатов, эта функция, по сути, возвращает генератор отдельных записей, что означает, что нам больше не нужно беспокоиться о страницах результатов1. Единственное, чего не хватает, – это функции, которая связывает все это воедино и позволяет нам выполнять запросы к конечной точке, указывая даты начала и окончания для желаемого диапазона дат. Листинг 8.4

Связываем все воедино в _get_ratings (dags/01_python.py)

Получаем сеанс requests (с аутентификацией) плюс базовый URL-адрес для API def _get_ratings(start_date, end_date, batch_size=100): session, base_url = _get_session() Используем функцию разбивки yield from _get_with_pagination( на страницы, чтобы прозрачно session=session, получить коллекцию записей url=base_url + "/ratings", Убеждаемся, что params="start_date": start_date, "end_date": end_date}, мы используем batch_size=batch_size, Ограничиваем страницы конечную ) до определенного размера пакета точку ratings = _get_ratings(session, base_url + "/ratings") ratings Извлекаем записи Извлекаем одну запись ... или весь пакет next(ratings) между заданными list(ratings) Пример использования функции датами начала _get_ratings и окончания

Теперь у нас есть красивая и лаконичная функция для получения рейтингов, которую мы можем использовать в нашем ОАГ.

8.1.3 Создание фактического ОАГ Теперь, когда у нас есть функция _get_ratings, можно вызвать ее с помощью PythonOperator, чтобы получить рейтинги для каждого интервала. Когда у нас будут рейтинги, мы сможем выгрузить результаты в выходной файл в формате JSON с разбивкой по датам, чтобы при необходимости можно было с легкостью повторно запустить выборку. Такую функциональность можно реализовать, написав небольшую функцию-обертку, которая позаботится о предоставлении дат начала и окончания и записи рейтингов в функцию вывода. Листинг 8.5

Использование функции _get_ratings (dags/01_python.py)

def _fetch_ratings(templates_dict, batch_size=1000, **_): logger = logging.getLogger(__name__) Используем журналирование, чтобы предоставить полезную обратную связь о том, что делает функция 1

Дополнительное преимущество такой реализации состоит в том, что она ленивая: она будет извлекать новую страницу только тогда, когда записи из текущей страницы будут исчерпаны.

Глава 8

198

Извлекаем шаблонные даты начала и окончания и выходной путь

Создание пользовательских компонентов

start_date = templates_dict["start_date"] end_date = templates_dict["end_date"] output_path = templates_dict["output_path"] logger.info(f"Fetching ratings for {start_date} to {end_date}") ratings = list( С помощью функции _get_ratings _get_ratings( извлекаем записи о рейтингах start_date=start_date, end_date=end_date, batch_size=batch_size, ) ) logger.info(f"Fetched {len(ratings)} ratings") logger.info(f"Writing ratings to {output_path}") output_dir = os.path.dirname(output_path) os.makedirs(output_dir, exist_ok=True) with open(output_path, "w") as file_: json.dump(ratings, fp=file_)

Создаем выходной каталог, если его не существует Записываем выходные данные в формате JSON

fetch_ratings = PythonOperator( Создаем задачу task_id="fetch_ratings", с помощью python_callable=_fetch_ratings, PythonOperator templates_dict={ "start_date": "{{ds}}", "end_date": "{{next_ds}}", "output_path": "/data/python/ratings/{{ds}}.json", }, )

Обратите внимание, что параметры start_date/end_date/output_ path передаются с использованием templates_dict, что позволяет нам ссылаться на переменные контекста, такие как execution_date, в  их значениях. После извлечения рейтингов мы включаем сюда еще один шаг, rank_movies, для ранжирования фильмов. Здесь используется Python­ Operator, чтобы применить функцию rank_movies_by_rating, которая ранжирует фильмы по среднему рейтингу с возможностью фильтрации по минимальному количеству оценок. Листинг 8.6

Вспомогательная функция для ранжирования фильмов (dags/custom / rank.py)

import pandas as pd def rank_movies_by_rating(ratings, min_ratings=2): ranking = ( Вычисляем средний рейтинг ratings.groupby("movieId") и общее количество рейтингов .agg( avg_rating=pd.NamedAgg(column="rating", aggfunc="mean"),

Создание собственного хука

199

Фильтрация по минимальному количеству требуемых рейтингов num_ratings=pd.NamedAgg(column="userId", aggfunc="nunique"), ) .loc[lambda df: df["num_ratings"] > min_ratings] .sort_values(["avg_rating", "num_ratings"], ascending=False) ) Сортируем по средней оценке return ranking

Листинг 8.7

Добавление задачи rank_movies (dags / 01_python.py)

def _rank_movies(templates_dict, min_ratings=2, **_): input_path = templates_dict["input_path"] output_path = templates_dict["output_path"]

Читаем рейтинги из заданного (шаблонного) пути ввода

ratings = pd.read_json(input_path) ranking = rank_movies_by_rating(ratings, min_ratings=min_ratings) output_dir = os.path.dirname(output_path) os.makedirs(output_dir, exist_ok=True) ranking.to_csv(output_path, index=True)

Создаем выходной каталог, если его не существует

Используем функцию _rank_movies в PythonOperator

Используем вспомогательную функцию для ранжирования фильмов

rank_movies = PythonOperator( task_id="rank_movies", python_callable=_rank_movies, Записываем templates_dict={ ранжированные "input_path": "/data/python/ratings/{{ds}}.json", "output_path": "/data/python/rankings/{{ds}}.csv", фильмы }, в файл CSV ) Подключаем задачи по извлечению и ранжированию fetch_ratings >> rank_movies

В результате мы получаем ОАГ, состоящий из двух этапов: один для извлечения рейтингов и второй для ранжирования фильмов. Если запланировать его таким образом, чтобы он запускался ежедневно, то это позволит составить рейтинг самых популярных фильмов на этот день (конечно, более умный алгоритм может учитывать историю, но с чего-то нужно начинать, верно?).

8.2

Создание собственного хука Как видите, требуются некоторые усилия (и код), чтобы приступить к извлечению рейтингов из нашего API и использовать их для ранжирования. Интересно, что бóльшая часть нашего кода касается взаимодействия с API, в котором мы должны получить API-адрес и данные аутентификации, настроить сеанс для взаимодействия с API и включить дополнительные функции, например для пагинации.

Глава 8

200

Создание пользовательских компонентов

Один из способов справиться со сложностью взаимодействия с API – инкапсулировать весь этот код в хук, который можно будет использовать повторно. Таким образом, мы можем хранить весь предназначенный для API код в одном месте и просто использовать этот хук в разных местах наших ОАГ, что позволяет сократить усилия по извлечению рейтингов. Листинг 8.8

Использование MovielensHook для извлечения рейтингов

hook = MovielensHook(conn_id="movielens") ratings = hook.get_ratings(start_date, end_date) hook.close() Закрываем хук, освободив все использованные ресурсы

Создаем хук Используем хук для выполнения работы

Хуки также позволяют нам использовать функциональность Airflow для управления учетными данными для подключения через базу данных и пользовательский интерфейс, а это значит, что нам не нужно вручную указывать учетные данные API для своего ОАГ. В следующих разделах мы узнаем, как написать собственный хук, и приступим к созданию хука для API фильмов.

8.2.1 Создание собственного хука В Airflow все хуки создаются в виде подклассов абстрактного класса BaseHook. Листинг 8.9

Каркас пользовательского хука

from airflow.hooks.base_hook import BaseHook class MovielensHook(BaseHook): …

Чтобы приступить к  созданию хука, нужно определить метод __ init__, который указывает, какое подключение использует хук (если это применимо), и любые другие дополнительные аргументы, которые ему могут понадобиться. В данном случае мы хотим, чтобы наш хук получал нужные сведения из определенного подключения, но никаких дополнительных аргументов не требуется. Листинг 8.10

Начальная часть класса MovielensHook (dags/custom/hooks.py)

from airflow.hooks.base_hook import BaseHook class MovielensHook(BaseHook): 1

В  Airflow 1 конструктор класса BaseHook требует передачи аргумента source. Обычно можно просто передать source = None, так как вы не будете нигде его использовать.

201

Создание собственного хука

def __init__(self, conn_id): super().__init__() 4 self._conn_id = conn_id

Параметр conn_id сообщает хуку, какое подключение использовать Вызываем конструктор класса BaseHook1 Не забудьте сохранить наш идентификатор подключения

Ожидается, что большинство хуков Airflow определяют метод get_ conn, который отвечает за установку соединения с внешней системой. В нашем случае это означает, что мы можем повторно использовать бóльшую часть ранее определенной функции _get_session, которая уже предоставляет нам предварительно сконфигурированный сеанс для API. Это означает, что простейшая реализация get_conn может выглядеть примерно так: Листинг 8.11

Начальная реализация метода get_conn

class MovielensHook(BaseHook): ... def get_conn(self): session = requests.Session() session.auth = (MOVIELENS_USER, MOVIELENS_PASSWORD) schema = MOVIELENS_SCHEMA host = MOVIELENS_HOST port = MOVIELENS_PORT base_url = f"{schema}://{host}:{port}" return session, base_url

Однако, вместо того чтобы вшивать в  код наши учетные данные, мы предпочитаем получать их из хранилища учетных данных Airflow, что безопаснее и  проще в  управлении. Для этого нам сначала нужно добавить наше соединение в  базу метаданных Airflow. Это можно сделать, открыв раздел Admin > Connections (Администратор > Подключения) с помощью веб-интерфейса Airflow и щелкнув Create (Создать), чтобы добавить новое подключение. На экране создания подключения (рис.  8.5) необходимо указать сведения о  подключении нашего API. В  этом случае мы назовем его «movielens». Мы будем использовать этот идентификатор позже в  коде для обозначения подключения. В типе подключения мы выбираем HTTP. В разделе Host нужно указать имя хоста API в настройке Docker Compose, которая называется «movielens». Далее можно (по желанию) указать схему, которую мы будем использовать для подключения (HTTP), и добавить необходимые учетные данные для входа (имя пользователя: airflow, пароль: airflow).

202

Глава 8

Создание пользовательских компонентов

Имя и тип подключения

Адрес хоста API Используемый протокол (http или https)

Имя пользователя и пароль для API Порт, на котором слушает API

Рис. 8.5 Добавляем наше подключение в веб-интерфейсе Airflow

Наконец, нужно указать, на каком порту будет доступен наш API. В нашей настройке Docker Compose это порт 5000 (как мы уже видели ранее при доступе к API вручную). Теперь, когда у нас есть подключение, нам нужно изменить метод get_conn, чтобы получить детали подключения из базы метаданных. Для этого класс BaseHook предоставляет удобный метод get_connec­ tion, который может получать нужные сведения для заданного идентификатора подключения из базы метаданных: config = self.get_connection(self._conn_id)

У этого объекта есть поля, соответствующие различным деталям, которые мы только что заполнили при создании подключения. Таким образом, мы можем использовать объект config, чтобы приступить к  определению хоста и  порта и  имени пользователя и  пароля для нашего API. Сначала мы используем поля schema, host и port, чтобы определить URL-адрес нашего API, как и раньше: schema = config.schema or self.DEFAULT_SCHEMA host = config.host or self.DEFAULT_HOST port = config.port or self.DEFAULT_PORT base_url = f"{schema}://{host}:{port}/"

203

Создание собственного хука

Обратите внимание, что мы определяем значения по умолчанию в нашем классе (аналогично константам, которые мы определили до этого) в случае, если эти поля не указаны в подключении. Если мы хотим, чтобы они были указаны в самом подключении, то можем выдать ошибку, вместо того чтобы указывать значения по умолчанию. Теперь, когда мы получили наш базовый URL-адрес из базы метаданных, нужно только сконфигурировать детали аутентификации в сеансе: if config.login: session.auth = (config.login, config.password)

что дает нам следующую новую реализацию метода get_conn: Листинг 8.12

Создание конфигурируемого метода get_conn (dags/custom/hooks.py)

class MovielensHook(BaseHook): DEFAULT_HOST = "movielens" DEFAULT_SCHEMA = "http" DEFAULT_PORT = 5000 def __init__(self, conn_id): super().__init__() self._conn_id = conn_id

Значения подключения по умолчанию как сохраненные переменные класса для удобства Получение конфигурации подключения с использованием заданного идентификатора

def get_conn(self): config = self.get_connection(self._conn_id)

schema = config.schema or self.DEFAULT_SCHEMA host = config.host or self.DEFAULT_HOST port = config.port or self.DEFAULT_PORT base_url = f"{schema}://{host}:{port}"

Создание базового URL-адреса с использованием конфигурации подключения и значений по умолчанию

session = requests.Session() if config.login: session.auth = (config.login, config.password) return session, base_url

Возврат сеанса requests и базового URL-адреса

Создание сессии requests с использованием логина и пароля из конфигурации подключения

Один из недостатков такой реализации состоит в том, что каждый вызов функции get_conn будет приводить к  вызову к  базе метаданных Airflow, поскольку этой функции необходимо получать учетные данные из базы данных. Можно избежать этого ограничения, также кешируя session и  base_url в  нашем экземпляре как защищенные переменные.

Глава 8

204

Листинг 8.13

Создание пользовательских компонентов

Добавление кеширования для сеанса API (dags/custom/hooks.py)

class MovielensHook(BaseHook): def __init__(self, conn_id, retry=3): ... Две дополнительные переменные экземпляра, self._session = None используемые для кеширования сеанса и базового self._base_url = None URL-адреса def get_conn(self): "" Возвращает соединение, используемое хуком для запроса данных. В принципе, не следует использовать это напрямую. """ Проверяем, есть ли у нас активный сеанс, прежде чем создавать его

if self._session is None: config = self.get_connection(self._conn_id) ... self._base_url = f"{schema}://{config.host}:{port}" self._session = requests.Session() ... return self._session, self._base_url

Таким образом, при первом вызове метода get_conn self._session имеет значение None, поэтому в конечном итоге мы получаем данные о нашем подключении из базы метаданных и настраиваем базовый URL-адрес и сеанс. Сохраняя эти объекты в переменных экземпляра _session и  _base_url, мы гарантируем, что они кешируются для последующих вызовов. Таким образом, во время второго вызова get_ conn увидит, что у self._session больше нет значения None, и вернет кешированный сеанс и базовый URL-адрес. ПРИМЕЧАНИЕ Лично мы не являемся поклонниками использования метода get_conn непосредственно за пределами хука, даже если доступ к  нему открыт, поскольку этот метод раскрывает внутренние детали того, как ваш хук обращается к внешней системе, нарушая инкапсуляцию. Это доставит вам много головной боли, если вы когда-нибудь захотите изменить эту внутреннюю деталь, поскольку ваш код будет сильно привязан к типу внутреннего соединения. Это также было проблемой в  кодовой базе Airflow, например в  случае с  HdfsHook, где реализация хука была тесно связана с библиотекой только для Python 2.7 (snakebite). Теперь, когда мы завершили реализацию метода get_conn, можно создать аутентифицированное соединение с  API. Это означает, что мы, наконец, можем приступить к  встраиванию полезных методов в  хук, которые мы можем затем использовать, чтобы сделать чтонибудь полезное с нашим API.

205

Создание собственного хука

Для получения рейтингов можно повторно использовать код из предыдущей реализации, которая извлекала рейтинги из конечной точки /rating и использовала функцию get_with_ pagination для разбивки на страницы. Основное отличие от предыдущей версии заключается в том, что теперь мы используем get_conn в рамках функции разбивки на страницы для получения сеанса API. Листинг 8.14

Добавление метода get_ratings (dags/custom/hooks.py)

class MovielensHook(BaseHook): ...

Открытый метод, который будет вызываться пользователями хука

def get_ratings(self, start_date=None, end_date=None, batch_size=100): "" Извлекает рейтинги между заданной датой начала и окончания. Параметры ––––– start_date : str Дата начала, с которой начинается получение рейтингов (включительно). Ожидаемый формат – ГГГГ-ММ-ДД (соответствует форматам ds в Airflow). end_date : str Дата окончания для получения оценок до (исключая). Ожидаемый формат – ГГГГ-ММ-ДД (соответствует форматам ds в Airflow). batch_size : int Размер пакетов (страниц), которые нужно извлечь из API. Большие значения означают меньше запросов, но больше данных передается на каждый запрос """ yield from self._get_with_pagination( endpoint="/ratings", params={"start_date": start_date, "end_date": end_date}, batch_size=batch_size, Наш внутренний вспомогательный ) метод, занимающийся пагинацией (та же реализация, что и раньше) def _get_with_pagination(self, endpoint, params, batch_size=100): "" Извлекает записи, используя запрос get с заданными url и params, с учетом разбивки на страницы. """ session, base_url = self.get_conn() offset = 0 total = None while total is None or offset < total: response = session.get( url, params={ **params, **{"offset": offset, "limit": batch_size} } )

Глава 8

206

Создание пользовательских компонентов

response.raise_for_status() response_json = response.json() yield from response_json["result"] offset += batch_size total = response_json["total"]

В целом это дает нам базовый хук Airflow, который обрабатывает подключения к API MovieLens. Добавление дополнительных функций (кроме извлечения рейтингов) можно легко выполнить, добавив в хук дополнительные методы. Хотя создание хука может показаться трудоемким делом, бóльшая часть работы была перенесена на функции, которые мы написали ранее, в единый консолидированный класс. Преимущество нашего нового хука состоит в том, что он обеспечивает красивую инкапсуляцию логики API MovieLens в  одном классе, который легко использовать в разных ОАГ.

8.2.2 Создание ОАГ с помощью MovielensHook Теперь, когда у нас есть хук, можно приступить к его использованию для получения рейтингов в нашем ОАГ. Однако сначала нужно где-то сохранить наш класс, чтобы мы могли импортировать его в ОАГ. Один из способов – создать пакет в том же каталоге, что и папка DAG1, и сохранить хук в модуле hooks.py внутри этого пакета. Листинг 8.15

Структура каталога ОАГ с пакетом custom

chapter08 ├── dags │ ├── custom │ │ ├── __init__.py │ │ └── hooks.py │ ├── 01_python.py │ └── 02_hook.py ├── docker-compose.yml └── ...

Пример пакета с именем «custom» Модуль, содержащий код хука

Когда у нас появится этот пакет, мы сможем импортировать хук из нового пакета custom, который содержит код нашего хука: from custom.hooks import MovielensHook

После импорта хука извлечь рейтинг становится довольно просто. Нам нужно только создать экземпляр хука с правильным идентификатором соединения, а затем вызвать его метод get_ratings с желаемыми датами начала и окончания. 1

Позже в этой главе мы покажем другой подход на базе пакетов.

207

Создание собственного хука

Листинг 8.16

Использование MovielensHook для получения рейтингов

hook = MovielensHook(conn_id=conn_id) ratings = hook.get_ratings( start_date=start_date, end_date=end_date, batch_size=batch_size )

Этот код возвращает генератор рейтингов, которые мы затем записываем в выходной (JSON) файл. Чтобы использовать хук в нашем ОАГ, нам все еще нужно обернуть этот код в  PythonOperator, который позаботится о  предоставлении правильных дат начала и окончания запуска ОАГ, а также, собственно, о записи рейтингов в нужный выходной файл. Для этого мы, по сути, можем использовать ту же функцию _fetch_ratings, которую мы определили для нашего исходного ОАГ, заменив вызов _get_ratings на вызов нового хука. Листинг 8.17

Использование MovielensHook в DAG (dags/02_hook.py)

def _fetch_ratings(conn_id, templates_dict, batch_size=1000, **_): logger = logging.getLogger(__name__) start_date = templates_dict["start_date"] end_date = templates_dict["end_date"] output_path = templates_dict["output_path"]

Используем хук для извлечения рейтингов из API

logger.info(f"Fetching ratings for {start_date} to {end_date}") hook = MovielensHook(conn_id=conn_id) ratings = list( hook.get_ratings( start_date=start_date, end_date=end_date, batch_size=batch_size ) Создаем экземпляр ) MovielensHook logger.info(f"Fetched {len(ratings)} ratings") с соответствующим logger.info(f"Writing ratings to {output_path}") output_dir = os.path.dirname(output_path) os.makedirs(output_dir, exist_ok=True) with open(output_path, "w") as file_: json.dump(ratings, fp=file_)

PythonOperator( task_id="fetch_ratings", python_callable=_fetch_ratings, op_kwargs={"conn_id": "movielens"}, templates_dict={ "start_date": "{{ds}}", "end_date": "{{next_ds}}",

идентификатором подключения

Записываем полученные рейтинги, как и раньше

Указываем, какое подключение использовать

Глава 8

208

Создание пользовательских компонентов

"output_path": "/data/custom_hook/{{ds}}.json", }, )

Обратите внимание, что мы добавили в  fetch_ratings параметр conn_id, чтобы указать подключение, используемое для хука. Таким образом, нам также необходимо включить этот параметр при вызове функции _fetch_ratings из оператора PythonOperator. Это дает нам то же поведение, что и  раньше, но теперь у  нас гораздо более простой и не такой большой файл ОАГ, так как бóльшая часть сложностей, связанных с API MovieLens, теперь отдана на откуп MovielensHook.

8.3

Создание собственного оператора Хотя создание MovielensHook позволило нам перенести значительную часть сложного кода из нашего ОАГ в хук, нам все равно приходится писать значительное количество шаблонного кода для определения дат начала и  окончания и  записи рейтингов в  выходной файл. Это означает, что если мы захотим повторно использовать такую функциональность в нескольких ОАГ, у нас по-прежнему будет много дублированного кода и придется потратить дополнительные усилия. К счастью, Airflow позволяет создавать собственные операторы, которые можно использовать для выполнения повторяющихся задач с минимальным количеством шаблонного кода. В этом случае можно было бы, например, использовать эту возможность для создания MovielensFetchRatingsOperator, что позволит нам получать рейтинги фильмов с помощью специального класса.

8.3.1 Определение собственного оператора В Airflow все операторы созданы в виде подклассов класса BaseOpera­ tor. Листинг 8.18

Каркас пользовательского оператора

from airflow.models import BaseOperator from airflow.utils.decorators import apply_defaults Декоратор, который гарантирует, что аргументы ОАГ по умолчанию class MyCustomOperator(BaseOperator): передаются нашему оператору @apply_defaults

Наследуем def __init__(self, conn_id, **kwargs): от класса super.__init__(self, **kwargs) BaseOperator self._conn_id = conn_id ...

Передаем все дополнительные ключевые аргументы конструктору BaseOperator

Создание собственного оператора

209

Можно явно указать любые аргументы, относящиеся к  вашему оператору (например, conn_id в этом примере) в методе конструктора __init__. Как вы будете использовать эти аргументы, конечно, зависит от вас. Аргументы конкретного оператора различаются в зависимости от оператора, но обычно включают в себя идентификаторы подключения (для операторов, использующих удаленные системы) и любые сведения, необходимые для операции (например, даты начала и окончания, запросы и т. д.). Класс BaseOperator также принимает большое количество (в основном необязательных) универсальных аргументов, которые определяют базовое поведение оператора. Примеры универсальных аргументов включают в себя task_id, созданный оператором для задачи, а также множество аргументов, таких как retries и retry_delay, которые влияют на планирование итоговой задачи. Чтобы избежать явного перечисления всех этих задач, мы используем синтаксис Python **kwargs для перенаправления этих универсальных аргументов в метод конструктора __init__ класса BaseOperator. Вспоминая предыдущие ОАГ из этой книги, вы, наверное, помните, что Airflow также предоставляет возможность определения конкретных аргументов в качестве аргументов по умолчанию для всего ОАГ. Это делается с помощью параметра default_args самого объекта ОАГ. Листинг 8.19

Применение аргументов по умолчанию к операторам

default_args = { "retries": 1, "retry_delay": timedelta(minutes=5), } with DAG( ... default_args=default_args ) as dag: MyCustomOperator( ... )

Чтобы гарантировать, что эти аргументы по умолчанию применяются к вашему пользовательскому оператору, Airflow предоставляет декоратор apply_defaults, который применяется к  методу __init__ оператора (как показано в  начальном примере). На практике это означает, что вы всегда должны включать этот декоратор при определении собственных операторов; в  противном случае вы непроизвольно нарушите поведение Airflow. Теперь, когда у нас есть базовый класс пользовательских операторов, нам еще нужно определить, что на самом деле делает оператор, реализуя метод execute, основной метод, который Airflow вызывает, когда оператор фактически выполняется как часть запуска ОАГ.

210

Глава 8

Листинг 8.20

Создание пользовательских компонентов

Метод оператора execute

class MyCustomOperator(BaseOperator): ... def execute(self, context): ...

Основной метод, вызываемый при выполнении нашего оператора

Как видите, метод execute принимает единственный параметр con­ text, представляющий собой словарь, содержащий все контекстные переменные Airflow. Затем метод может продолжить выполнение той функции, для которой был разработан оператор, с учетом переменных из контекста Airflow (например, даты выполнения и т. д.).

8.3.2 Создание оператора для извлечения рейтингов Теперь, когда мы знаем основы создания оператора, посмотрим, как создать собственный оператор для извлечения рейтингов. Идея состоит в том, что этот оператор извлекает рейтинги из API MovieLens между заданной датой начала и  датой окончания и  записывает их в файл JSON, аналогично тому, что наша функция _fetch_ratings делала в предыдущем ОАГ. Мы можем начать с  заполнения необходимых параметров оператора в его методе __init__, которые включают в себя даты начала и окончания, какое подключение использовать и выходной путь, куда нужно вести запись. Листинг 8.21

Начало пользовательского оператора (dags/custom/operator.py)

class MovielensFetchRatingsOperator(BaseOperator): """ Оператор, извлекающий рейтинги из API Movielens. Параметры ––––– conn_id : str ID подключения, который будет использоваться для подключения к API Movielens. Ожидается, что подключение будет включать в себя данные аутентификации (логин/пароль) и хост, обслуживающий API. output_path : str Путь для записи полученных рейтингов. start_date : str (Шаблонная) дата начала, с которой начинается извлечение рейтингов (включительно). Ожидаемый формат – ГГГГ-ММ-ДД (соответствует форматам ds в Airflow). end_date : str (Шаблонная) дата окончания для извлечения рейтингов до (исключая). Ожидаемый формат – ГГГГ-ММ-ДД (соответствует форматам ds в Airflow). """

211

Создание собственного оператора @apply_defaults def __init__( self, conn_id, output_path, start_date, end_date, **kwargs, ): super(MovielensFetchRatingsOperator, self).__init__(**kwargs) self._conn_id = conn_id self._output_path = output_path self._start_date = start_date self._end_date = end_date

Затем нужно реализовать тело оператора, который фактически извлекает рейтинги и записывает их в выходной файл. Для этого можно заполнить метод оператора execute модифицированной версией нашей реализации функции_fetch_ratings. Листинг 8.22

Добавление метода execute (dags/custom/operator.py)

class MovielensFetchRatingsOperator(BaseOperator): ... def execute(self, context): hook = MovielensHook(self._conn_id) try:

Создаем экземпляр MovielensHook

self.log.info( f"Fetching ratings for {self._start_date} to {self._end_date}" ) ratings = list( hook.get_ratings( Используем хук start_date=self._start_date, для извлечения end_date=self._end_date, рейтингов ) ) self.log.info(f"Fetched {len(ratings)} ratings") finally: hook.close() Закрываем хук, чтобы высвободить ресурсы

Выписываем результаты

self.log.info(f"Writing ratings to {self._output_path}") Создаем выходной каталог, output_dir = os.path.dirname(self._output_path) если его не существует os.makedirs(output_dir, exist_ok=True) with open(self._output_path, "w") as file_: json.dump(ratings, fp=file_)

Как видите, перенос кода в  пользовательский оператор потребовал относительно небольшого количества изменений в коде. Подобно функции _fetch_ratings, метод execute начинается с создания экземпляра MovielensHook и использования этого хука для извлечения рейтингов между заданными датами начала и окончания. Есть одно отличие, которое состоит в том, что теперь код принимает параметры от self, не забывая использовать значения, переданные при создании экземпляра оператора. Кроме того, теперь мы используем регист-

212

Глава 8

Создание пользовательских компонентов

ратор, предоставленный классом BaseOperator, который доступен в  свойстве self.log. Наконец, мы добавили обработку исключений, чтобы наш хук всегда закрывался должным образом, даже если вызов метода get_ratings не сработает. Таким образом, мы не тратим ресурсы впустую, забывая закрыть сеансы API, а это хорошая практика при реализации кода, применяющего хуки. Использовать этот оператор относительно просто, поскольку мы можем просто создать экземпляр оператора и включить его в свой ОАГ. Листинг 8.23

Использование MovielensFetchRatingsOperator

fetch_ratings = MovielensFetchRatingsOperator( task_id="fetch_ratings", conn_id="movielens", start_date="2020­01­01", end_date="2020­01­02", output_path="/data/2020­01­01.json" )

Недостаток этой реализации состоит в том, что для нее требуются заранее определенные даты, для которых оператор будет извлекать рейтинги. Таким образом, оператор будет извлекать их только за один период времени, вшитый в код, не принимая во внимание дату выполнения. К счастью, Airflow также позволяет делать определенные переменные оператора шаблонизируемыми. Это означает, что они могут ссылаться на переменные контекста, такие как execution_date. Чтобы разрешить шаблонизацию конкретных переменных экземпляра, нужно указать Airflow, чтобы он шаблонизировал их с помощью переменной класса templates_field. Листинг 8.24

Добавляем templates_field (dags/custom/operator.py)

class MovielensFetchRatingsOperator(BaseOperator): ... template_fields = ("_start_date", "_end_date", "_output_path") ... Даем указание Airflow шаблонизировать эти переменные @apply_defaults экземпляра в нашем операторе def __init__( self, conn_id, output_path, start_date="{{ds}}", end_date="{{next_ds}}", **kwargs, ): super(MovielensFetchRatingsOperator, self).__init__(**kwargs) self._conn_id = conn_id self._output_path = output_path

Создание нестандартных сенсоров

213

self._start_date = start_date self._end_date = end_date

По сути, этот код сообщает Airflow, что переменные _start_date, _end_date и _output_path (которые создаются в методе __init__) доступны для создания шаблонов. Это означает, что если мы используем шаблон Jinja в этих строковых параметрах, то Airflow позаботится о том, чтобы эти значения были шаблонизированы до того, как будет вызван метод execute. В  результате мы теперь можем использовать наш оператор с шаблонными аргументами следующим образом: Листинг 8.25

Использование шаблонизации в операторе (dags/03_operator.py)

from custom.operators import MovielensFetchRatingsOperator fetch_ratings = MovielensFetchRatingsOperator( task_id="fetch_ratings", conn_id="movielens", start_date="{{ds}}", end_date="{{next_ds}}", output_path="/data/custom_operator/{{ds}}.json" )

Таким образом, Airflow заполнит значения начала окна выполнения (ds) для даты начала и конца окна выполнения (next_ds) для даты окончания. Он также обеспечит запись вывода в файл с тегом начала окна выполнения (ds).

8.4

Создание нестандартных сенсоров За всеми этими разговорами об операторах вы можете задаться вопросом, сколько усилий нужно, чтобы создать собственный сенсор. Если вы пропустили эту тему в  предыдущих главах, напомним, что сенсор – это особый тип оператора, который можно использовать для ожидания выполнения определенного условия, прежде чем выполнить какие-либо последующие задачи в ОАГ. Например, возможно, вы захотите использовать сенсор для проверки наличия определенных файлов или данных в исходной системе, прежде чем попытаться использовать данные для последующего анализа. По своей реализации сенсоры очень похожи на операторов, за исключением того, что они наследуют от класса BaseSensorOperator, а не от BaseOperator. Листинг 8.26

Каркас пользовательского сенсора

from airflow.sensors.base import BaseSensorOperator class MyCustomSensor(BaseSensorOperator): ...

214

Глава 8

Создание пользовательских компонентов

Как следует из названия, это показывает, что сенсоры на самом деле являются особым типом оператора. Класс BaseSensorOperator предоставляет базовые функции сенсора и  требует, чтобы сенсоры реализовали специальный метод poke вместо метода execute. Листинг 8.27

Метод сенсора poke

class MyCustomSensor(BaseSensorOperator): def poke(self, context): ...

Сигнатура метода poke похожа на метод execute в том смысле, что он принимает единственный аргумент, содержащий контекст Airflow. Однако, в отличие от метода execute, ожидается, что poke вернет логическое значение, которое указывает, истинно ли условие сенсора. Если это так, то сенсор завершит свое выполнение, позволяя запускать нижестоящие задачи. В  противном случае сенсор бездействует несколько секунд перед повторной проверкой условия. Этот процесс повторяется до тех пор, пока условие не станет истинным или сенсор не достигнет тайм-аута. Хотя у Airflow имеется множество встроенных сенсоров, вы можете создать собственный сенсор для проверки любого типа состояния. Например, в нашем случае использования нам может понадобиться реализовать сенсор, который сначала проверяет, доступны ли данные рейтинга на заданную дату, прежде чем продолжить выполнение ОАГ. Чтобы приступить к  созданию MovielensRatingsSensor, сначала нужно определить метод класса пользовательского сенсора, __init__, который должен принимать идентификатор подключения (он определяет, какие сведения о подключении использовать для API), и диапазон дат начала и окончания, который определяет, для какого диапазона дат мы хотим посмотреть рейтинги. Выглядит это примерно так: Листинг 8.28

Начало класса сенсора (dags/custom/sensor.py)

from airflow.sensors.base import BaseSensorOperator from airflow.utils.decorators import apply_defaults class MovielensRatingsSensor(BaseSensorOperator): """ Сенсор, ожидающий, пока API Movielens получит рейтинги за определенный период времени. start_date : str (Шаблонная) дата (включительно). Ожидаемый формат end_date : str (Шаблонная) дата Ожидаемый формат """

начала, с которой начинается извлечение рейтингов – ГГГГ-ММ-ДД (соответствует форматам ds в Airflow). окончания для извлечения рейтингов до (исключая). – ГГГГ-ММ-ДД (соответствует форматам ds в Airflow).

215

Создание нестандартных сенсоров template_fields = ("_start_date", "_end_date") @apply_defaults def __init__(self, conn_id, start_date="{{ds}}", end_date="{{next_ds}}", **kwargs): super().__init__(**kwargs) self._conn_id = conn_id self._start_date = start_date self._end_date = end_date

Поскольку сенсоры – это особый тип оператора, можно использовать ту же базовую настройку, что и для реализации оператора

После указания конструктора единственное, что нам нужно реализовать, – это метод poke. В нем мы можем проверить, есть ли рейтинги для определенного диапазона дат, просто запросив рейтинги между заданными датами начала и  окончания. При наличии каких-либо записей возвращается логическое значение true. Обратите внимание, что для этого не требуется извлекать все записи; нам нужно только продемонстрировать, что в диапазоне есть хотя бы одна запись. Используя MovielensHook, реализовать этот алгоритм довольно просто. Сначала мы создаем экземпляр хука, а затем вызываем метод get_ratings, чтобы приступить к извлечению записей. Поскольку нас интересует только наличие хотя бы одной записи, можно попробовать вызвать метод генератора, next, возвращаемого get_ratings, что приведет к  вызову StopIteration, если генератор пуст. Таким образом, можно проверить исключение, используя конструкцию try/ex­ cept, и вернуть True, если исключение не возбуждается, или в противном случае вернуть False (это указывает на то, что записей не было). Листинг 8.29

Реализация метода poke (dags/custom/sensor.py)

Если с StopIteration ничего не получилось, значит, набор записей пуст, поэтому возвращаем false

class MovielensRatingsSensor(BaseSensorOperator): def poke(self, context): hook = MovielensHook(self._conn_id) Пытаемся извлечь одну запись из хука (используя метод next, try: чтобы извлечь первую запись) next( hook.get_ratings( start_date=self._start_date, end_date=self._end_date, batch_size=1 ) ) self.log.info( f"Found ratings for {self._start_date} to {self._end_date}" ) return True Если все прошло успешно, у нас будет хотя except StopIteration: бы одна запись, поэтому возвращаем true self.log.info( f"Didn't find any ratings for {self._start_date} " f"to {self._end_date}, waiting..." ) return False Закрываем хук finally: для высвобождения ресурсов hook.close()

Глава 8

216

Создание пользовательских компонентов

Обратите внимание, что повторное использование MovielensHook делает этот код относительно лаконичным, демонстрируя мощь содержания деталей взаимодействия с API MovieLens внутри хука. Данный сенсор теперь можно использовать для проверки ОАГ и  ожидания новых рейтингов, прежде чем продолжить выполнение остальной части ОАГ. Листинг 8.30

Использование сенсора для ожидания рейтингов (dags/04_sensor.py)

... from custom.operators import MovielensFetchRatingsOperator from custom.sensors import MovielensRatingsSensor with DAG( dag_id="04_sensor", description="Fetches ratings with a custom sensor.", start_date=airflow_utils.dates.days_ago(7), schedule_interval="@daily", Сенсор, ожидающий, когда ) as dag: записи будут доступны wait_for_ratings = MovielensRatingsSensor( task_id="wait_for_ratings", conn_id="movielens", start_date="{{ds}}", end_date="{{next_ds}}", Оператор, извлекающий ) записи после завершения работы сенсора fetch_ratings = MovielensFetchRatingsOperator( task_id="fetch_ratings", conn_id="movielens", start_date="{{ds}}", end_date="{{next_ds}}", output_path="/data/custom_sensor/{{ds}}.json" ) ... wait_for_ratings >> fetch_ratings >> rank_movies

8.5

Упаковка компонентов До сих пор мы использовали включение своих пользовательских компонентов в подпакет в каталоге ОАГ, чтобы эти ОАГ могли их импортировать. Однако такой подход не всегда идеален, если вы хотите иметь возможность использовать эти компоненты в  других проектах, делиться ими с другими или провести более тщательное тестирование. Более подходящий подход к распространению компонентов – поместить свой код в пакет Python. Хотя это и требует дополнительных

Упаковка компонентов

217

затрат на настройку, это дает вам возможность устанавливать свои компоненты в окружении Airflow, как и в случае с любым другим пакетом. Более того, сохраняя код отдельно от ОАГ, вы можете настроить надлежащий процесс непрерывной интеграции и доставки для своего пользовательского кода, и вам будет проще делиться им или совместно работать над ним с другими программистами.

8.5.1 Создание пакета Python К сожалению, упаковка – сложная тема. В данном случае мы сосредоточимся на самом простом примере, который включает в себя использование setuptools для создания простого пакета Python1. Используя данный подход, нам нужно создать небольшой пакет, airflow_mov­ ielens, который будет содержать хук, оператор и сенсор, написанные в предыдущих разделах. Чтобы приступить к  сборке нашего пакета, для начала создадим для него каталог: $ mkdir ­p airflow­movielens $ cd airflow­movielens

Затем начнем с включения кода, создав основу для пакета. С этой целью мы создадим подкаталог src в нашем каталоге airflow­moviel­ ens и каталог airflow_movielens (имя нашего пакета) внутри каталога src. Чтобы превратить airflow_movielens в  пакет, мы также создадим файл __init__.py внутри каталога2: $ mkdir ­p src/airflow_movielens $ touch src/airflow_movielens/__init__.py

Затем мы можем создать файлы hooks.py, sensor.py и operator.py в каталоге airflow_movielens и копировать реализации наших пользовательских хуков, сенсоров и операторов в соответствующие файлы. После этого вы должны получить примерно такой результат: $ tree airflow­movielens/ airflow­movielens/ └── src └── airflow_movielens ├── __init__.py ├── hooks.py ├── operators.py └── sensors.py 1

2

Более подробное обсуждение упаковки и  различных подходов к  ней выходит за рамки этого издания и объясняется во многих книгах по Python и/или онлайн-статьях. Технически с использованием стандарта PEP420 файл __init__.py уже не нужен, но мы хотим, чтобы все было явным.

Глава 8

218

Создание пользовательских компонентов

Теперь, когда у нас есть базовая структура, все, что нам нужно сделать, чтобы превратить это в пакет, – включить сюда файл setup.py, сообщающий setuptools, как его установить. Базовый файл setup.py обычно выглядит примерно так: Листинг 8.31

Пример файла setup.py (package/airflow-movielens/setup.py)

#!/usr/bin/env python import setuptools requirements = ["apache­airflow", "requests"] Название, версия и описание нашего пакета

Список пакетов Python, от которых зависит наш пакет

setuptools.setup( name="airflow_movielens", version="0.1.0", description="Hooks, sensors and operators for the Movielens API.", author="Anonymous", author_email="[email protected]", Сведения об авторе (метаданные) install_requires=requirements, Информирует setuptools packages=setuptools.find_packages("src"), о наших зависимостях package_dir={"": "src"}, url="https://github.com/example­repo/airflow_movielens", Домашняя license="MIT license", Лицензия MIT страница пакета )

Сообщает setuptools, где искать файлы Python нашего пакета

Самая важная часть этого файла – это вызов setuptools.setup, который предоставляет setuptools подробные метаданные о нашем пакете. Наиболее важные поля в этом вызове: „ name – определяет имя пакета (как он будет называться при установке); „ version – номер версии пакета; „ install_requires – список зависимостей, необходимых для пакета; „ packages/package_dir – сообщает setuptools, какие пакеты следует включить при установке и  где их искать. Здесь мы используем макет каталога src для нашего пакета Python1. Кроме того, setuptools позволяет включать множество дополнительных полей2 для описания пакета, среди которых: „ author – имя автора пакета (вы); „ author_email – контактные данные автора; „ description – краткое, читабельное описание пакета (обычно одна строка). Более подробное описание можно дать с помощью аргумента long_description; 1

2

См. этот блог для получения более подробной информации о  структурах на базе src и других вариантах: https://blog.ionelmc.ro/2014/05/25/pythonpackaging/#the-structure. Чтобы получить полный справочник параметров, которые можно передать в setuptools.setup, обратитесь к документации по setuptools.

Упаковка компонентов

219

url – где искать ваш пакет в интернете; license – лицензия, под которой выпущен код вашего пакета (если таковая имеется). Если посмотреть на реализацию setup.py, то это означает, что мы сообщаем setuptools, что наши зависимости включают apache­air­ flow и requests, что наш пакет должен называться airflow_movielens и иметь версию 0.1 и что он должен содержать файлы из пакета air­ flow_movielens, расположенного в  каталоге src, включая дополнительные сведения о нас и лицензию. Когда мы закончим писать файл setup.py, пакет должен выглядеть так: „ „

$ tree airflow­movielens airflow­movielens ├── setup.py └── src └── airflow_movielens ├── __init__.py ├── hooks.py ├── operators.py └── sensors.py

Это означает, что теперь у нас есть базовый пакет Python airflow_ movielens, который можно попробовать установить в следующем разделе. Конечно, более сложные пакеты обычно включают в себя тесты, документацию и т. д. Все это мы здесь не описываем. Если вы хотите увидеть обширную настройку упаковки в Python, то рекомендуем обратиться к  большому количеству шаблонов, доступных в  интернете (например, https://github.com/audreyfeldroy/cookiecutter-pypackage), которые служат отличной отправной точкой для разработки пакетов Python.

8.5.2 Установка пакета Теперь, когда у нас есть базовый пакет, мы можем установить airflow_ movielens в  окружении Python. Можно попробовать сделать это, выполнив команду pip, чтобы установить пакет в активном окружении: $ python ­m pip install ./airflow­movielens Looking in indexes: https://pypi.org/simple Processing ./airflow­movielens Collecting apache­airflow ... Successfully installed ... airflow­movielens­0.1.0 ...

После того как установка пакета и зависимостей будет завершена, можно проверить, был ли он установлен, путем запуска Python и попытки импортировать один из классов из пакета:

Глава 8

220

Создание пользовательских компонентов

$ python Python 3.7.3 | packaged by conda­forge | (default, Jul 1 2019, 14:38:56) [Clang 4.0.1 (tags/RELEASE_401/final)] :: Anaconda, Inc. on darwin Type "help", "copyright", "credits" or "license" for more information. >>> from airflow_movielens.hooks import MovielensHook >>> MovielensHook

Развертывание пакета в  окружении Airflow не потребует гораздо больших усилий, чем его установка в  окружении Python в  Airflow. Однако в зависимости от настройки нужно убедиться, что ваш пакет и  все его зависимости установлены во всех окружениях, используемых Airflow (имеются в виду планировщик, веб-сервер и воркеры). Распространение пакета может осуществляться либо путем установки непосредственно из репозитория GitHub: $ python ­m pip install git+https://github.com/...

либо можно использовать PyPI (или частный фид): $ python ­m pip install airflow_movielens

либо путем установки из файлового расположения (как мы изначально сделали здесь). В последнем случае нужно убедиться, что окружение Airflow может получить доступ к каталогу, из которого вы хотите установить пакет.

Резюме Можно расширить встроенную функциональность Airflow, создавая собственные компоненты, которые подходят для ваших конкретных случаев использования. По нашему опыту, два варианта использования, в  которых пользовательские операторы являются особенно мощными, – это: – запуск задач в  системах, которые изначально не поддерживаются Airflow (например, новые облачные сервисы, базы данных и т. д.); – предоставление операторов, сенсоров или хуков для часто выполняемых операций, чтобы члены вашей команды могли с легкостью реализовать их в ОАГ. „ Конечно, это далеко не полный список, и может возникнуть много других ситуаций, в которых вам понадобится создать собственные компоненты. „ Пользовательские хуки позволяют взаимодействовать с  системами, для которых нет встроенной поддержки в Airflow. „ Пользовательские операторы можно создавать для выполнения задач, конкретно для ваших рабочих процессов, для которых недостаточно встроенных операторов. „

Резюме

221

Пользовательские сенсоры позволяют создавать компоненты для ожидания (внешних) событий. „ Код, содержащий пользовательские операторы, хуки, сенсоры и т. д., можно структурировать, если реализовать их в (распространяемой) библиотеке Python. „ Пользовательские хуки, операторы и  сенсоры требуют, чтобы их устанавливали с зависимостями на кластере Airflow, прежде чем их можно будет использовать. Это может быть непросто, если у вас нет полномочий на установку программного обеспечения в  кластере или есть программное обеспечение с конфликтующими зависимостями. „ Некоторые предпочитают использовать универсальные операторы, такие как встроенный DockerOperator и KubernetesPodOperator для выполнения своих задач. Преимущество такого подхода заключается в том, что вы можете сохранить свою установку Airflow компактной, поскольку Airflow занимается только координацией контейнерных заданий; вы можете хранить все зависимости конкретных задач, используя контейнер. Мы остановимся на этом подходе в следующих главах. „

9

Тестирование

Эта глава рассказывает: о тестировании задач Airflow в конвейере непрерывной интеграции и доставки; „ о структурировании проекта для тестирования с pytest; „ об имитации запуска ОАГ для тестирования задач, применяющих создание шаблонов; „ об имитации событий внешней системы; „ о тестировании поведения во внешних системах с помощью контейнеров. „

Во всех предыдущих главах мы подробно рассматривали различные фрагменты разработки Airflow. Как же убедиться, что написанный вами код является валидным, прежде чем использовать его при развертывании в  рабочей системе? Тестирование является неотъемлемой частью разработки программного обеспечения, и  никому не хочется писать код, проводить его через процесс развертывания и скрещивать пальцы, чтобы все было в порядке. Такой вариант разработки явно неэффективен и не дает никаких гарантий правильного функционирования программного обеспечения, будь то допустимая ситуация или нет.

Приступаем к тестированию

223

В этой главе мы обратимся к тестированию методом серого ящика, которое часто считается сложной задачей. Это связано с тем, что Airflow взаимодействует со множеством внешних систем, а также потому, что это система оркестровки, которая запускает и  останавливает задачи, выполняющие логику, в то время как сам Airflow (часто) никакой логики не выполняет.

9.1

Приступаем к тестированию Тесты могут применяться на разных уровнях. Небольшие отдельные единицы работы (например, отдельные функции) можно протестировать с  помощью модульных тестов. Хотя такие тесты могут подтверждать правильное поведение, они не подтверждают поведение системы, состоящей из нескольких таких единиц в целом. Для этого пишутся интеграционные тесты, которые проверяют, как ведут себя несколько компонентов вместе. В  книгах по тестированию следующим используемым уровнем тестирования является приемочное тестирование (оценка соответствия требованиям спецификации или контракта), что не относится к данной главе. Здесь мы будем рассматривать модульное и интеграционное тестирования. В этой главе мы демонстрируем различные фрагменты кода, написанные с помощью pytest (https://docs.pytest.org/en/6.2.x/). В то время как в Python имеется встроенный фреймворк для тестирования под названием unittest, pytest представляет собой один из самых популярных сторонних фреймворков для тестирования различных функций, таких как фикстуры, которыми мы воспользуемся в этой главе. Никаких предварительных знаний pytest не требуется. Поскольку код из этой книги есть на GitHub, мы продемонстрируем конвейер непрерывной интеграции и  доставки, запуская тесты с  помощью GitHub Actions (https://github.com/features/actions), системы непрерывной интеграции и доставки, которая интегрируется с GitHub. Используя идеи и код из примеров GitHub Actions, вы сможете запускать этот конвейер в любой системе. Все популярные системы непрерывной интеграции и доставки, такие как GitLab, Bitbucket, CircleCI, Travis CI и т. д., работают, определяя конвейер в формате YAML в корне каталога проекта. Мы будем делать так же.

9.1.1 Тест на благонадежность ОАГ В контексте Airflow первым шагом в тестировании обычно является тест на благонадежность ОАГ, термин, который стал известен из поста в блоге под названием Data’s Inferno: 7 Circles of Data Testing Hell with Airflow (https://medium.com/wbaa/datas-inferno-7-circles-of-datatesting-hell-with-airflow-cef4adff58d8). Такой тест проверяет благонадежность всех ваших ОАГ (т. е. их правильность, например не содер-

Глава 9

224

Тестирование

жат ли они циклов; уникальны ли идентификаторы задач и т. д.). Тест на благонадежность ОАГ часто фильтрует простые ошибки. Например, нередко совершается ошибка при генерации задач в цикле for с  фиксированным идентификатором задачи вместо динамически устанавливаемого идентификатора, в  результате чего каждая сгенерированная задача имеет один и тот же идентификатор. При загрузке ОАГ Airflow также выполняет такие проверки самостоятельно и  при обнаружении отображает ошибку (рис.  9.1). Чтобы избежать прохождения цикла развертывания, обнаружив в  конечном итоге, что ваш ОАГ содержит простую ошибку, разумно выполнять такие тесты в своем наборе тестов.

Рис. 9.1 Ошибка цикла ОАГ, отображаемая Airflow

Следующий ОАГ из листинга 9.1 будет отображать ошибку в пользовательском интерфейсе, потому что здесь есть цикл: t1 >> t2 >> t3 >> t1. Это нарушает свойство, согласно которому ОАГ должен иметь определенные начальные и конечные узлы. Листинг 9.1

Пример цикла в ОАГ, приводящий к ошибке

t1 = DummyOperator(task_id="t1", dag=dag) t2 = DummyOperator(task_id="t2", dag=dag) t3 = DummyOperator(task_id="t3", dag=dag) t1 >> t2 >> t3 >> t1

Теперь перехватим эту ошибку, используя тест на благонадежность. Для начала установим pytest: Листинг 9.2

Установка pytest

pip install pytest Collecting pytest ................ Installing collected packages: pytest Successfully installed pytest­5.2.2

Так мы получаем CLI-утилиту pytest. Чтобы увидеть все доступные параметры, выполните pytest ­­help. Пока не нужно знать все параметры; достаточно знать, что вы можете запускать тесты с помощью pytest [file/directory] (где каталог содержит тестовые файлы). Давайте создадим такой файл. По соглашению в корне проекта создается папка tests/, которая содержит все тесты и зеркально отображает

Приступаем к тестированию

225

ту же структуру каталогов, что и в остальной части проекта1. Таким образом, если структура вашего проекта подобна той, что показана на рис. 9.2: . ├── dags │ ├── dag1.py │ ├── dag2.py │ └── dag3.py └── mypackage ├── airflow │ ├── hooks │ │ ├── __init__.py │ │ └── movielens_hook.py │ ├── operators │ │ ├── __init__.py │ │ └── movielens_operator.py │ └── sensors │ ├── __init__.py │ └── movielens_sensors.py └── movielens ├── __init__.py └── utils.py

Рис. 9.2 Пример структуры пакета Python

тогда структура каталога tests/ будет выглядеть так, как показано на рис. 9.3: . ├── dags ├── mypackage └── tests ├── dags │ └── test_dag_integrity.py └── mypackage ├── airflow │ ├── hooks │ │ └── test_movielens_hook.py │ ├── operators │ │ └── test_movielens_operator.py │ └── sensors │ └── test_movielens_sensor.py └── movielens └── test_utils.py

1

Рис. 9.3 Структура каталога tests/ следует структуре, показанной на рис. 9.2

Pytest называет такую структуру «Тесты вне кода приложения». Другая поддерживаемая pytest структура – хранение тестовых файлов непосредственно рядом с кодом вашего приложения, который он называет «тесты как часть кода вашего приложения».

Глава 9

226

Обратите внимание, что все файлы зеркально отражают имена файлов, которые (предположительно) тестируются, с  префиксом test_. Опять же, хотя зеркальное отображение имени файла для тестирования не требуется, это очевидное соглашение, чтобы сообщить о  содержимом файла. Тесты, которые перекрывают несколько файлов или предоставляют другие виды тестов (например, тест на благонадежность ОАГ), обычно помещаются в файлы, названные в соответствии с тем, что они тестируют. Однако здесь требуется префикс test_; pytest просматривает заданные каталоги и ищет файлы с префиксом test_ или суффиксом _test1. Также обратите внимание, что в  каталоге tests/ нет файлов __init__.py; каталоги не являются модулями, и  тесты должны иметь возможность работать независимо друг от друга, не импортируя друг друга. Pytest сканирует каталоги и файлы и автоматически находит тесты; не нужно создавать модули с файлами __init__.py. Создадим файл с именем tests/dags/test_dag_integrity.py. Листинг 9.3

Тест на благонадежность ОАГ

import glob import importlib.util import os import pytest from airflow.models import DAG DAG_PATH = os.path.join( os.path.dirname(__file__), "..", "..", "dags/**/*.py" ) DAG_FILES = glob.glob(DAG_PATH, recursive=True) @pytest.mark.parametrize("dag_file", DAG_FILES) def test_dag_integrity(dag_file): module_name, _ = os.path.splitext(dag_file) module_path = os.path.join(DAG_PATH, dag_file) ➥ mod_spec = importlib.util.spec_from_file_location(module_name, module_path) module = importlib.util.module_from_spec(mod_spec) mod_spec.loader.exec_module(module) ➥ dag_objects = [var for var in vars(module).values() if isinstance(var, DAG)] assert dag_objects for dag in dag_objects: dag.test_cycle()

Здесь мы видим одну функцию с именем test_dag_integrity, которая выполняет тест. Код на первый взгляд может показаться немного 1

В pytest параметры обнаружения тестов можно настроить, например, для поддержки тестовых файлов с именем check_ *.

Приступаем к тестированию

227

неясным, поэтому давайте разберем его. Помните структуру папок, описанную ранее? Здесь есть папка dags/, в которой хранятся все файлы ОАГ, и  файл test_dag_integrity.py, который находится в  каталоге tests/dags/test_dag_integrity.py. На рис.  9.4 показан каталог, содержащий все файлы ОАГ. . ├─dags │ ├─dag1.py │ ├─ dag2.py │ ├─ dag3.py └─tests └─dags └─test_dag_integrity.py DAG_PATH = os.path.join(os.path.dirname(__file__), "..", "..", "dags/**/*.py") DAG_FILES = glob.glob(DAG_PATH, recursive=True)

Рис. 9.4

Каталог, содержащий все файлы ОАГ

Метод dirname() возвращает каталог test_dag_integrity.py, а  затем мы просматриваем два каталога вверх, сначала до tests/, потом до корня, а оттуда ищем все, что соответствует шаблону dags/**/*.py. Синтаксис "**" указывает на то, что поиск будет вестись рекурсивно, поэтому файлы ОАГ, например, в dags/dir1/dir2/dir3/mydag.py также будут найдены. Наконец, переменная DAG_FILES содержит список файлов, находящихся в папке dags/ с расширением .py. Далее декоратор @pytest.mark.parametrize запускает тест для каждого найденного файла Python (рис. 9.5). @pytest.mark.parametrize("dag_file", DAG_FILES) def test_dag_integrity(dag_file): Запускаем тест для каждого элемента в DAG_FILES

Рис. 9.5 Декоратор запускает тест для каждого файла dag_file

Первая часть теста немного непонятна. Мы не будем вдаваться в подробности, но все сводится к загрузке и выполнению файла, как это сделал бы сам Python, и извлечению из него объектов ОАГ. Листинг 9.4

Попытка создать экземпляр каждого найденного объекта ОАГ

modul_name, _ = os.path.splitext(dag_file) module_path = os.path.join(DAG_PATH, dag_file) Загружаем mod_spec = importlib.util.spec_from_file_location(module_name, module_path) файл module = importlib.util.module_from_spec(mod_spec) mod_spec.loader.exec_module(module) dag_objects = [var for var in vars(module).values() if isinstance(var, DAG)] Все объекты класса DAG, находящиеся в файле

Глава 9

228

Тестирование

Теперь, когда объекты ОАГ извлечены из файла, можно применить определенные проверки. В  коде мы применили две проверки. Сначала было утверждение: assert dag_objects. Так мы проверили, находятся ли объекты ОАГ в файле (все прошло успешно). Добавляя это утверждение, мы проверяем все файлы Python, найденные в папке / dags, если они содержат хотя бы один объект ОАГ. Например, функции Scripts, хранящиеся в этой папке, в которых не создаются экземпляры объектов ОАГ, не сработают. Желательно это или нет, решать вам, но наличие одного каталога, который не содержит ничего, кроме файлов ОАГ, не обеспечивает четкого разделения обязанностей. Вторая проверка (for dag in dag_objects: dag.test_cycle()) выясняет, нет ли циклов в  объектах ОАГ. Она вызывается явно, и  на то есть причина. До Airflow версии 1.10.0 ОАГ проверялись на предмет наличия циклов при каждом изменении их структуры. Эта проверка становится сложнее с точки зрения вычислений по мере добавления все большего количества задач. Для ОАГ с большим количеством задач это стало обузой, потому что для каждой новой задачи выполнялась проверка цикла, что приводило к долгому чтению. Поэтому проверка цикла перенесена в точку, где Airflow осуществляет анализ и кеширование ОАГ (в структуру под названием DagBag), и проверка цикла выполняется только один раз после анализа всего ОАГ, что сокращает время чтения. В результате можно вполне объявить t1 >> t2 >> t1 и  выполнить вычисление. Только когда работающий в  реальном времени экземпляр Airflow прочитает ваш сценарий, он будет жаловаться на цикл. Таким образом, чтобы избежать цикла развертывания, мы явно вызываем метод test_cycle() для каждого ОАГ, найденного в тесте. Это два примера проверки, но вы, конечно же, можете добавить свою. Если, скажем, вы хотите, чтобы каждое имя ОАГ начиналось со слов «import» или «export», то можно использовать следующий код для проверки идентификаторов dag_id: assert dag.dag_id.startswith(("import", "export"))

Теперь проведем тест на благонадежность. В командной строке запустите pytest (можно намекнуть pytest, где искать с помощью pytest tests/, чтобы избежать сканирования других каталогов). Листинг 9.5

Вывод запущенного pytest

$ pytest tests/ ========================= test session starts ========================= .... collected 1 item tests/dags/test_dag_integrity.py F [100%] ============================== FAILURES ==============================

Приступаем к тестированию ________________ test_dag_integrity[..../dag_cycle.py] ________________ dag_file = '..../dag_cycle.py' @pytest.mark.parametrize("dag_file", DAG_FILES) def test_dag_integrity(dag_file): "" Импорт файлов ОАГ и проверка на наличие ОАГ."" module_name, _ = os.path.splitext(dag_file) module_path = os.path.join(DAG_PATH, dag_file) ➥ mod_spec = importlib.util.spec_from_file_location(module_name, module_path) module = importlib.util.module_from_spec(mod_spec) mod_spec.loader.exec_module(module) ➥ dag_objects = [ var for var in vars(module).values() if isinstance(var, DAG) ] assert dag_objects

>

for dag in dag_objects: # Test cycles dag.test_cycle()

tests/dags/test_dag_integrity.py:29: _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ .../site­packages/airflow/models/dag.py:1427: in test_cycle self._test_cycle_helper(visit_map, task_id) .../site­packages/airflow/models/dag.py:1449: in _test_cycle_helper self._test_cycle_helper(visit_map, descendant_id) .../site­packages/airflow/models/dag.py:1449: in _test_cycle_helper self._test_cycle_helper(visit_map, descendant_id) _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ ➥ self = , visit_map = defaultdict(, {'t1': 1, 't2': 1, 't3': 1}), task_id = 't3' def _test_cycle_helper(self, visit_map, task_id): "" Проверяет, существует ли цикл из входной задачи, используя поиск в глубину ... task = self.task_dict[task_id] for descendant_id in task.get_direct_relative_ if visit_map[descendant_id] == DagBag.CYCLE_IN_PROGRESS: ➥ msg = "Cycle detected in DAG. Faulty task: {0} to {1}".format( task_id, descendant_id) > raise AirflowDagCycleException(msg) ➥ E airflow.exceptions.AirflowDagCycleException: Cycle detected in DAG. Faulty task: t3 to t1 ..../airflow/models/dag.py:1447: AirflowDagCycleException ========================== 1 failed in 0.21s ==========================

229

Глава 9

230

Тестирование

Результат теста довольно длинный, но обычно ответы можно найти в  верхней части и  внизу. Вверху вы найдете, какой тест не прошел, а внизу ответы на вопрос, почему это произошло. Листинг 9.6

Причина исключения, найденная в листинге 9.5

airflow.exceptions.AirflowDagCycleException: Cycle detected in DAG. Faulty task: t3 to t1

Этот пример показывает нам (как и  ожидалось), что от t3 до t1 был обнаружен цикл. После создания экземпляров ОАГ и  операторов сразу же выполняется несколько других проверок из коробки. Допустим, вы используете BashOperator, но забыли добавить (обязательный) аргумент bash_command. Тест на благонадежность проверит все операторы в сценарии и завершится ошибкой при вычислении BashOperator. Листинг 9.7

Неправильное создание экземпляра BashOperator

BashOperator(task_id="this_should_fail", dag=dag)

Тест на благонадежность обнаружит исключение и  завершится ошибкой. Листинг 9.8

Исключение, возбуждаемое при неправильном создании экземпляра из листинга 9.7

airflow.exceptions.AirflowException: Argument ['bash_command'] is required

Теперь, когда у нас есть тест на благонадежность, давайте запустим его автоматически в конвейере непрерывной интеграции и доставки.

9.1.2 Настройка конвейера непрерывной интеграции и доставки Если выразить все одной строкой, то конвейер непрерывной интеграции и доставки – это система, которая запускает предопределенные сценарии, когда вы вносите изменения в  репозиторий кода. Непрерывное интегрирование означает проверку и валидацию измененного кода, чтобы убедиться, что он соответствует стандартам кодирования и набору тестов. Например, при отправке изменений в репозиторий вы можете проверить наличие Flake8 (https://flake8.pycqa.org/en/latest/), Pylint (https://www.pylint.org) и  Black (https://github.com/psf/ black) и запустить серию тестов. Непрерывное развертывание указывает на автоматическое развертывание кода в рабочих системах без вмешательства человека. Цель состоит в том, чтобы максимизировать продуктивность написания кода, не имея дело с  ручной проверкой и развертыванием.

Приступаем к тестированию

231

Существует широкий спектр систем непрерывной интеграции и доставки. В этой главе мы рассмотрим GitHub Actions (https://github. com/features/actions); в  целом он должен быть применим к  любой системе непрерывной интеграции и  развертывания. Большинство таких систем начинаются с  файла конфигурации YAML, в  котором определяется конвейер: последовательность шагов, выполняемых при изменении кода. Каждый шаг должен завершиться успешно, чтобы конвейер был успешным. В репозитории Git можно затем применить такие правила, как «слияние ветки в master только при наличии успешного завершения конвейера». Определения конвейера обычно находятся в корне проекта; GitHub Actions требуются файлы YAML, хранящиеся в каталоге: .github/workflows. Имя файла YAML не имеет значения, поэтому можно создать файл с именем airflow-tests.yaml следующего содержания: Листинг 9.9

Пример конвейера GitHub Actions для проекта Airflow

name: Python static checks and tests on: [push] jobs: testing: runs-on: ubuntu­18.04 steps: – uses: actions/checkout@v1 – name: Setup Python uses: actions/setup­python@v1 with: python-version: 3.6.9 architecture: x64 – name: Install Flake8 run: pip install flake8 – name: Run Flake8 run: flake8 – name: Install Pylint run: pip install pylint – name: Run Pylint run: find . ­name "*.py" | xargs pylint ­­output­format=colorized – name: Install Black run: pip install black – name: Run Black run: find . -name "*.py" | xargs black –check – name: Install dependencies run: pip install apache­airflow pytest – name: Test DAG integrity run: pytest tests/

Глава 9

232

Тестирование

Ключевые слова, показанные в  этом YAML-файле, уникальны для GitHub Actions, хотя общие идеи применимы и к другим системам непрерывной интеграции и доставки. Важно отметить задачи в GitHub Actions, определенные в разделе «steps». На каждом этапе выполняется фрагмент кода. Например, Flake8 выполняет статический анализ кода и даст сбой, если возникнут какие-либо проблемы, например неиспользованный импорт. В строке 3 мы указываем on: [push], сообщая GitHub запускать полный конвейер каждый раз при отправке изменений в репозиторий. В полностью автоматизированной системе непрерывной доставки будут содержаться фильтры для шагов в определенных ветвях, таких как master, чтобы выполнять шаги и  развертывать код только в том случае, если конвейер успешно работает в этой ветви.

9.1.3 Пишем модульные тесты Теперь, когда у нас есть запущенный и работающий конвейер, который изначально проверяет валидность всех ОАГ в проекте, пора немного глубже погрузиться в код Airflow и приступить к модульному тестированию отдельных фрагментов. Посмотрим на пользовательские компоненты, продемонстрированные в  главе  8; есть несколько вещей, которые можно протестировать, чтобы проверить правильность поведения. Поговорка гласит: «Никогда не доверяйте пользовательскому вводу», поэтому мы хотим быть уверены, что наш код работает правильно, будь то допустимая ситуация или нет. Возьмем, к примеру, MovielensHook из главы 8, который содержит метод get_ratings(). Этот метод принимает несколько аргументов; один из них – batch_size, который контролирует размер пакетов, запрашиваемых из API. Можно представить, что допустимым вводом будет любое положительное число (возможно, с  некоторым верхним пределом). Но что, если пользователь вводит отрицательное число (например, –3)? Возможно, API правильно обработает недопустимый размер пакета и вернет код состояния HTTP, например 400 или 422, но как на это отреагирует MovielensHook? Возможно, разумнее было бы обработать входное значение еще до отправки запроса или правильно обработать ошибки, если API возвращает ошибку. Это поведение мы и хотим проверить. Продолжим то, что мы делали в главе 8, и реализуем MovielensPopu­ larityOperator – оператор, возвращающий N-е количество самых популярных фильмов между двумя заданными датами. Листинг 9.10

Пример оператора MovielensPopularityOperator

class MovielensPopularityOperator(BaseOperator): def __init__( self, conn_id,

233

Приступаем к тестированию start_date, end_date, min_ratings=4, top_n=5, **kwargs, ): super().__init__(**kwargs) self._conn_id = conn_id self._start_date = start_date self._end_date = end_date self._min_ratings = min_ratings self._top_n = top_n def execute(self, context): with MovielensHook(self._conn_id) as hook: ratings = hook.get_ratings( start_date=self._start_date, end_date=self._end_date, )

Получаем необработанные рейтинги

Суммируем рейтинги по идентификатору фильма

rating_sums = defaultdict(Counter) for rating in ratings: ➥ rating_sums[rating["movieId"]].update(count=1, rating=rating["rating"]) Фильтруем min_ratings averages = { и рассчитываем ➥ movie_id: (rating_counter["rating"] / средний рейтинг rating_counter["count"], rating_counter["count"]) на каждый for movie_id, rating_counter in rating_sums.items() идентификатор фильма if rating_counter["count"] >= self._min_ratings } ➥ return sorted(averages.items(), key=lambda x: x[1], reverse=True)[: self._top_n] Возвращаем результат, отсортированный по среднему рейтингу и количеству рейтингов

Как проверить правильность этого оператора? Для начала можно было бы протестировать его целиком, просто запустив оператор с заданными значениями и  проверив результат, как и  ожидалось. Нам потребуется пара компонентов pytest, чтобы запустить оператор отдельно, за пределами действующей системы Airflow и внутри модульного теста. Это позволяет нам запускать его в разных условиях и проверять, правильно ли он ведет себя.

9.1.4 Структура проекта Pytest При использовании pytest перед тестовым сценарием должен стоять префикс test_. Так же, как и в структуре каталогов, мы имитируем имена файлов, поэтому тест кода из файла movielens_operator.py будет храниться в  файле test_movielens_operator.py. Внутри этого файла мы создадим функцию, которая будет вызываться в качестве теста.

Глава 9

234

Листинг 9.11

Тестирование

Пример функции, тестирующей BashOperator

def test_example(): task = BashOperator( task_id="test", bash_command="echo 'hello!'", xcom_push=True, ) result = task.execute(context={}) assert result == "hello!"

В этом примере мы создаем экземпляр BashOperator и  вызываем функцию execute(), учитывая пустой контекст (пустой словарь). Когда Airflow запускает оператор в реальной ситуации, до и после этого происходит ряд вещей, например визуализация шаблонных переменных, настройка контекста экземпляра задачи и  предоставление его оператору. В этом тесте мы не работаем в реальной ситуации, а вызываем метод execute() напрямую. Это функция самого низкого уровня, которую можно вызвать для запуска оператора, и это метод, который каждый оператор реализует для выполнения своих функций. Нам не нужен контекст экземпляра задачи для запуска BashOperator; поэтому мы предоставляем ему пустой контекст. Если тест зависит от обработки чего-либо из контекста экземпляра задачи, то можно заполнить его необходимыми ключами и значениями1. Выполним этот тест. Листинг 9.12

Результат выполнения теста из листинга 9.11

$ pytest tests/dags/chapter9/custom/test_operators.py::test_example ========================= test session starts ========================= platform darwin ­­ Python 3.6.7, pytest­5.2.2, py­1.8.0, pluggy­0.13.0 rootdir: .../data­pipelines­with­apache­airflow collected 1 item tests/dags/chapter9/custom/test_operators.py .

Теперь применим это к MovielensPopularityOperator. Листинг 9.13

Пример функции, тестирующей MovielensPopularityOperator

def test_movielenspopularityoperator(): task = MovielensPopularityOperator( task_id="test_id", start_date="2015-01-01", end_date="2015-01-03", 1

Аргумент xcom_push=True возвращает стандартный вывод в  Bash_command в  виде строки, которую мы используем в  этом тесте для выборки и  проверки Bash_command. В реальной ситуации Airflow любой объект, возвращаемый оператором, автоматически отправляется в XCom.

Приступаем к тестированию

235

top_n=5, ) result = task.execute(context={}) assert len(result) == 5

Первое, что мы видим, – это текст, выделенный красным, который сообщает нам, что у оператора отсутствует обязательный аргумент. Листинг 9.14

Результат выполнения теста из листинга 9.13

➥ $ pytest tests/dags/chapter9/custom/test_operators.py::test _movielenspopularityoperator ========================= test session starts ========================= platform darwin ­­ Python 3.6.7, pytest­5.2.2, py­1.8.0, pluggy­0.13.0 rootdir: /.../data­pipelines­with­apache­airflow collected 1 item tests/dags/chapter9/custom/test_operators.py F [100%] =============================== FAILURES =============================== ___________________ test_movielenspopularityoperator ___________________ mocker = def test_movielenspopularityoperator(mocker: MockFixture): task = MovielensPopularityOperator( ➥ > task_id="test_id", start_date="2015-01-01", end_date="2015-0103", top_n=5 ) ➥ E TypeError: __init__() missing 1 required positional argument: 'conn_id' tests/dags/chapter9/custom/test_operators.py:30: TypeError ========================== 1 failed in 0.10s ==========================

Сейчас мы видим, что тест провалился из-за отсутствия обязательного аргумента conn_id, который указывает на идентификатор подключения в  базе метаданных. Но как указать его в тесте? Тесты должны быть изолированы друг от друга; у них не должно быть возможности влиять на результаты других тестов, поэтому база данных, совместно используемая в тестах, не является идеальной ситуацией. В этом случае на помощь приходит мокирование. Мокирование – это «имитация» определенных операций или объектов. Например, вызов базы данных, которая, как ожидается, будет существовать в  промышленном окружении, но не во время тестирования, можно «сымитировать», сообщая Python, чтобы он возвращал определенное значение, вместо того чтобы делать фактический вызов базы данных (отсутствующей во время тестирования). Это позволяет разрабатывать и запускать тесты, не требуя подключения к внешним системам, но требует понимания внутреннего устройства того, что вы тестируете, и поэтому иногда для этого нужно погрузиться в сторонний код.

Глава 9

236

Тестирование

В Pytest имеется набор вспомогательных плагинов (официально они не от pytest), которые упрощают использование таких понятий, как имитация. Для этого можно установить пакет pytest­mock: pip install pytest­mock

pytest­mock – это пакет Python, предоставляющий небольшую удобную обертку для встроенного пакета имитаций. Чтобы использовать его, передайте вашей функции аргумент «mocker»1, который является точкой входа для использования чего-либо в пакете pytest­mock. Листинг 9.15

Имитация объекта в тесте

def test_movielenspopularityoperator(mocker): mocker.patch.object( MovielensHook, "get_connection", return_value=Connection( conn_id="test", login="airflow", password="airflow", ), ) task = MovielensPopularityOperator( task_id="test_id", conn_id="test", start_date="2015-01-01", end_date="2015-01-03", top_n=5, ) result = task.execute(context=None) assert len(result) == 5

С помощью этого кода к вызову метода get_connection() в Moviel­ ensHook применяется «обезьяний патч» (заменяя его функциональность во время выполнения, чтобы вернуть данный объект вместо запроса в базу метаданных Airflow), а выполнение MovielensHook.get_ connection() не завершится ошибкой при запуске теста, поскольку во время тестирования не производится никаких вызовов несуществующей базы данных. Вместо этого возвращается предопределенный ожидаемый объект Connection. Листинг 9.16

Замена вызова внешней системы в тесте

Объект mocker волшебным образом существует во время выполнения; импорт не требуется def test_movielenspopularityoperator(mocker): mock_get = mocker.patch.object( 1

Применяем патч, используя имитационный объект

Если вы хотите типизировать свои аргументы, то mocker имеет тип pytest_ mock.MockFixture.

Приступаем к тестированию

237

MovielensHook, Объект, "get_connection", Функция, к которой нужно применить патч к которому ➥ return_value=Connection(conn_id="test", login="airflow", нужно password="airflow"), применить ) Возвращаемое патч task = MovielensPopularityOperator(...) значение

В этом примере показано, как заменить вызов внешней системы (база метаданных Airflow) во время тестирования, возвращая предопределенный объект Connection. Что, если вам нужно подтвердить, что вызов действительно сделан в вашем тесте? Можно назначить объект с патчем переменной, которая содержит ряд свойств, собранных при вызове объекта. Например, нам нужно убедиться, что метод get_con­ nection() вызывается только один раз, а  аргумент conn_id, предоставленный get_connection(), имеет то же значение, что и  в  случае с MovielensPopularityOperator. Листинг 9.17

Проверка поведения имитационной функции

mock_get = mocker.patch.object( Назначаем объект переменной, MovielensHook, чтобы зафиксировать поведение "get_connection", return_value=Connection(...), ) task = MovielensPopularityOperator(..., conn_id="testconn") task.execute(...) assert mock_get.call_count == 1 Убеждаемся, что вызов был mock_get.assert_called_with("testconn") выполнен только один раз Убеждаемся, что вызов был выполнен с ожидаемым conn_id

Назначая возвращаемое значение mocker.patch.object переменной mock_get, мы перехватываем все вызовы, осуществляемые к имитационному объекту, что дает нам возможность проверить данный ввод, количество вызовов и многое другое. В этом примере мы утверждаем, может ли call_count проверить, что MovielensPopularityOperator случайно не выполняет несколько вызовов к базе метаданных Airflow в режиме реального времени. Кроме того, поскольку мы предоставляем MovielensPopularityOperator идентификатор «testconn», мы ожидаем, что этот идентификатор будет запрошен из базы метаданных Airflow, а  для валидации используем метод assert_called_with()1. Объект mock_get содержит больше свойств для проверки (например, вызываемое свойство, чтобы просто подтвердить, был ли объект вызван [любое количество раз]) (рис. 9.6). Одна из самых больших ошибок при использовании мокирования в Python – это имитирование неправильного объекта. В этом примере мы имитируем метод get_connection(). Он вызывается в  классе 1

Для двух этих утверждений существует удобный метод assert_called_ once_with().

Глава 9

238

Тестирование

MovielensHook, который наследует от класса BaseHook (пакет airflow. hooks.base). Метод get_connection() определяется в классе BaseHook. Поэтому интуитивно вы, вероятно, «сымитировали» бы BaseHook.get_ connection(), а это неправильно. Правильный способ – это имитировать место вызова, а  не место определения1. Проиллюстрируем это с помощью кода.

Рис. 9.6 Объект mock_get содержит несколько свойств, которые можно использовать для проверки поведения (этот скриншот был сделан с помощью отладчика Python в PyCharm)

Листинг 9.18

Обращаем внимание на правильное место импорта при имитировании

from airflowbook.operators.movielens_operator import ( MovielensPopularityOperator, MovielensHook, ) def test_movielenspopularityoperator(mocker): mock_get = mocker.patch.object( MovielensHook, "get_connection", return_value=Connection(...), ) task = MovielensPopularityOperator(...)

Мы должны импортировать метод, который нужно сымитировать, из того места, откуда он был вызван Внутри кода MovielensPopularityOperator вызывается MovielensHook. get_connection()

9.1.5 Тестирование с файлами на диске Рассмотрим оператор, который читает один файл, содержащий список в формате JSON, и записывает все это в формат CSV (рис. 9.7).

1

Это объяснено в  документации Python: https://docs.python.org/3/library/ unittest.mock.html#whereto-patch, а  также продемонстрировано на странице https://alexmarandon.com/articles/python_mock_gotchas/.

239

Приступаем к тестированию [ {"name": "bob", "age": 41, "sex": "M"}, {"name": "alice", "age": 24, "sex": "F"}, {"name": "carol", "age": 60, "sex": "F"} ]

name,age,sex bob,41,M alice,24,F carol,60,F

Рис. 9.7 Преобразование JSON в формат CSV

Оператор для данного действия может выглядеть следующим образом: Листинг 9.19

Пример оператора с использованием локального диска

class JsonToCsvOperator(BaseOperator): def __init__(self, input_path, output_path, **kwargs): super().__init__(**kwargs) self._input_path = input_path self._output_path = output_path def execute(self, context): with open(self._input_path, "r") as json_file: data = json.load(json_file) columns = {key for row in data for key in row.keys()} with open(self._output_path, mode="w") as csv_file: writer = csv.DictWriter(csv_file, fieldnames=columns) writer.writeheader() writer.writerows(data)

Оператор JsonToCsvOperator принимает два входных аргумента: входной путь (JSON) и  выходной путь (CSV). Чтобы протестировать этот оператор, мы могли бы сохранить статический файл в  нашем тестовом каталоге, дабы использовать его в качестве входных данных для теста, но где хранить выходной файл? В Python есть модуль tempfile для задач, связанных с  временным хранилищем. Он не оставляет остатков в файловой системе, поскольку каталог и его содержимое стираются после использования. pytest предоставляет удобную точку доступа к этому модулю, tmp_dir (дает объект os.path) и tmp_path (дает объект pathlib). Рассмотрим пример с применением tmp_path. Листинг 9.20

Тестирование с использованием временных путей

import csv import json from pathlib import Path from airflowbook.operators.json_to_csv_operator import JsonToCsvOperator Используем фикстуру tmp_path def test_json_to_csv_operator(tmp_path: Path): input_path = tmp_path / "input.json" Определяем пути output_path = tmp_path / "output.csv"

Глава 9

240

Тестирование

input_data = [ {"name": "bob", "age": "41", "sex": "M"}, {"name": "alice", "age": "24", "sex": "F"}, {"name": "carol", "age": "60", "sex": "F"}, ] with open(input_path, "w") as f: f.write(json.dumps(input_data)) operator = JsonToCsvOperator( task_id="test", input_path=input_path, output_path=output_path, ) operator.execute(context={})

Сохраняем входной файл

Выполняем JsonToCsvOperator

with open(output_path, "r") as f: reader = csv.DictReader(f) result = [dict(row) for row in reader]

Читаем выходной файл

assert result == input_data

Утверждение содержимого

После теста tmp_path и его содержимое удаляются

При запуске теста создается временный каталог. Фактически аргумент tmp_path относится к  функции, которая выполняется для каждого теста, в котором она вызывается. В pytest они называются фикстурами (https://docs.pytest.org/en/stable/fixture.html). У фикстур есть некоторое сходство с  методами setUp() и  tearDown() фреймворка unittest, и они обеспечивают больше гибкости, потому что их можно смешивать и сопоставлять (например, одна фикстура может инициализировать временный каталог для всех тестов в  классе, в то время как другая инициализируется только для одного теста)1. По умолчанию область действия фикстур – это каждая тестовая функция. Это можно увидеть, если вывести путь и запустить разные тесты или даже один и тот же тест дважды: print(tmp_path.as_posix())

Соответственно, будет выведено следующее: /private/var/folders/n3/g5l6d1j10gxfsdkphhgkgn4w0000gn/T/pytest-of-basharenslak/pytest-19/test_json_to_csv_operator0; „ /private/var/folders/n3/g5l6d1j10gxfsdkphhgkgn4w0000gn/T/pytest-of-basharenslak/pytest-20/test_json_to_csv_operator0. Существуют и  другие фикстуры, которые можно использовать, а у фикстур pytest есть много функций, которые не демонстрируются в этой книге. Если вы серьезно интересуетесь функциями pytest, обратитесь к документации. „

1

Поищите информацию о «pytest scope», если хотите узнать, как использовать фикстуры в тестах.

Работа с ОАГ и контекстом задачи в тестах

9.2

241

Работа с ОАГ и контекстом задачи в тестах Некоторым операторам требуется больше контекста (например, шаблонизация переменных) или использование контекста экземпляра задачи для выполнения. Нельзя просто запустить operator. execute(context={}), как мы это делали в предыдущих примерах, потому что мы не предоставляем контекст задачи оператору, который ему нужен для выполнения кода. В этих случаях нам хотелось бы запускать оператор в более реалистичном сценарии, как если бы Airflow запускал задачу в действующей системе и, таким образом, создавал контекст экземпляра задачи, шаблоны для всех переменных и т. д. На рис. 9.8 показаны шаги, которые выполняются при выполнении задачи в Airflow1. {

(1)

"execution_date": Pendulum(...), "ds": "2020-01-01", "ds_nodash": "20200101", ...

Создать контекст экземпляра задачи (т. е. собрать все переменные) }

(2)

Очистить данные XCom для текущего экземпляра задачи (идентификатор ОАГ, идентификатор задачи, дата выполнения)

(3)

Визуализировать шаблонные переменные

(4)

Выполнить operator.pre_execute()

(5)

Выполнить operator.execute()

(6)

Отправить возвращаемое значение в XCom

(7)

Выполнить operator.post_execute()

1

База метаданных Airlfow

"today is {{ ds }}" ­> "today is 2020-01-01"

База метаданных Airlfow

Рис. 9.8 Запуск оператора состоит из нескольких этапов. В разделе 9.1 мы тестируем только этап 5 и при необходимости вручную предоставляем operator. execute() контекст задачи времени выполнения

В TaskInstance это _run_raw_task().

Глава 9

242

Тестирование

Как видите, шаг 5 – единственный, который мы выполняли в примерах до сих пор (листинги 9.15, 9.17 и  9.20). Если вы используете реальную систему Airflow, при выполнении оператора совершается гораздо больше шагов, некоторые из которых нужно реализовать, чтобы протестировать, например, правильно ли осуществляется создание шаблонов. Допустим, мы реализовали оператор, извлекающий рейтинги фильмов между двумя заданными датами, которые пользователь может предоставить с помощью шаблонных переменных. Листинг 9.21

Пример оператора с использованием шаблонных переменных

class MovielensDownloadOperator(BaseOperator): template_fields = ("_start_date", "_end_date", "_output_path") def __init__( self, conn_id, start_date, end_date, output_path, **kwargs, ): super().__init__(**kwargs) self._conn_id = conn_id self._start_date = start_date self._end_date = end_date self._output_path = output_path def execute(self, context): with MovielensHook(self._conn_id) as hook: ratings = hook.get_ratings( start_date=self._start_date, end_date=self._end_date, ) with open(self._output_path, "w") as f: f.write(json.dumps(ratings))

Этот оператор нельзя протестировать, как в  предыдущих примерах, поскольку он (потенциально) требует контекста экземпляра задачи для выполнения. Например, аргумент output_path можно предоставить в виде /output/{{ds}}.json, а переменная ds недоступна при тестировании с operator.execute(context={}). Поэтому для этого мы вызовем фактический метод, который сам Airflow также использует для запуска задачи, а именно operator.run() (метод класса BaseOperator). Чтобы использовать его, ОАГ должен быть назначен оператор. Хотя предыдущий пример можно было запустить как есть, не прибегая к  созданию ОАГ для тестирования, чтобы использовать метод run(), нужно предоставить оператору ОАГ, потому

Работа с ОАГ и контекстом задачи в тестах

243

что когда Airflow запускает задачу, он несколько раз ссылается на объект ОАГ (например, при построении контекста экземпляра задачи). Мы могли бы определить ОАГ в наших тестах следующим образом: Листинг 9.22

ОАГ с аргументами по умолчанию для тестирования

dag = DAG( "test_dag", default_args={ "owner": "airflow", "start_date": datetime.datetime(2019, 1, 1), }, schedule_interval="@daily", )

Значения, которые мы предоставляем ОАГ, не важны, но мы будем ссылаться на них при утверждении результатов оператора. Затем можно определить нашу задачу и запустить ее. Листинг 9.23

Тестирование с ОАГ для визуализации шаблонных переменных

def test_movielens_operator(tmp_path, mocker): mocker.patch.object( MovielensHook, "get_connection", return_value=Connection( conn_id="test", login="airflow", password="airflow" ), ) dag = DAG( "test_dag", default_args={ "owner": "airflow", "start_date": datetime.datetime(2019, 1, 1), }, schedule_interval="@daily", ) task = MovielensDownloadOperator( task_id="test", conn_id="testconn", start_date="{{ prev_ds }}", end_date="{{ ds }}", output_path=str(tmp_path / "{{ ds }}.json"), dag=dag, ) task.run( start_date=dag.default_args["start_date"], end_date=dag.default_args["start_date"], )

Глава 9

244

Тестирование

Если вы запустите тест в том виде, в каком мы его сейчас определили, то, вероятно, столкнетесь с ошибкой, похожей на ту, что содержится в следующем листинге: Листинг 9.24

Первый запуск теста, включая ОАГ

.../site­packages/sqlalchemy/engine/default.py:580: OperationalError The above exception was the direct cause of the following exception: ➥ > task.run(start_date=dag.default_args["start_date"], end_date=dag.default_args["start_date"]) ... cursor = ➥ statement = 'SELECT task_instance.try_number AS task_instance_try_number, task_instance.task_id AS task_instance_task_id, task_ins...\nWHERE task_instance.dag_id = ? AND task_instance.task_id = ? AND task_instance.execution_date = ?\n LIMIT ? OFFSET ?' parameters = ('test_dag', 'test', '2015­01­01 00:00:00.000000', 1, 0) ... def do_execute(self, cursor, statement, parameters, context=None): cursor.execute(statement, parameters) sqlalchemy.exc.OperationalError: (sqlite3.OperationalError) no such column: task_instance.max_tries E [SQL: SELECT task_instance.try_number AS task_instance_try_number, task_instance.task_id AS task_instance_task_id, task_instance.dag_id AS task_instance_dag_id, task_instance.execution_date AS task_instance_execution_date, task_instance.start_date AS task_instance_start_date, task_instance.end_date AS task_instance_end_date, task_instance.duration AS task_instance_duration, task_instance.state AS task_instance_state, task_instance.max_tries AS task_instance_max_tries, task_instance.hostname AS task_instance_hostname, task_instance.unixname AS task_instance_unixname, task_instance.job_id AS task_instance_job_id, task_instance.pool AS task_instance_pool, task_instance.queue AS task_instance_queue, task_instance.priority_weight AS task_instance_priority_weight, task_instance.operator AS task_instance_operator, task_instance.queued_dttm AS task_instance_queued_dttm, task_instance.pid AS task_instance_pid, task_instance.executor_config AS task_instance_executor_config FROM task_instance E WHERE task_instance.dag_id = ? AND task_instance.task_id = ? AND task_instance.execution_date = ? LIMIT ? OFFSET ?] E [parameters: ('test_dag', 'test', '2015­01­01 00:00:00.000000', 1, 0)] (Background on this error at: http://sqlalche.me/e/e3q8)

> ➥ E ➥

E ➥ E ➥ E

Как видно из сообщения об ошибке, в базе метаданных Airflow чтото не так. Чтобы запустить задачу, Airflow запрашивает в  базе данных некую информацию, например предыдущие экземпляры задачи с той же датой выполнения. Но если вы не инициализировали базу

Работа с ОАГ и контекстом задачи в тестах

245

данных Airflow (airflow db init) в  пути, заданном для AIRFLOW_HOME (~/airflow, если значение не задано), или не сконфигурировали Airflow под работающую базу данных, тогда базы данных для чтения или записи не будет. Также при тестировании нам понадобится база метаданных. Существует несколько подходов к работе с базой метаданных во время тестирования. Во-первых, гипотетически можно было бы имитировать каждый вызов базы данных, как показано ранее, при запросе учетных данных для подключения. Хотя такое возможно, выглядеть это будет очень громоздко. Более практичный подход – запустить реальную базу метаданных, к которой Airflow может отправлять запросы при запуске тестов. Для этого нужно выполнить команду airflow db init, которая инициализирует базу данных. Это будет база данных SQLite, которая хранится в  ~/airflow/airflow.db. Если задать значение для переменной окружения AIRFLOW_HOME, Airflow сохранит базу данных в этом каталоге. Убедитесь, что при выполнении тестов вы предоставляете то же значение AIRFLOW_HOME, чтобы Airflow мог найти вашу базу метаданных1. Теперь, когда вы настроили базу метаданных Airflow, к  которой можно выполнить запрос, можно запустить тест и посмотреть, будет ли он успешным. Кроме того, теперь мы видим, что в базу метаданных Airflow была записана строка во время теста (рис. 9.9).

Рис. 9.9 Вызов метода task.run() приводит к сохранению сведений о запуске задачи в базе данных

Здесь следует отметить два момента. Если у  вас несколько тестов с  использованием ОАГ, то есть удобный способ, позволяющий повторно использовать его с  помощью pytest. Мы уже рассказывали о фикстурах pytest, и их можно повторно использовать для нескольких файлов в (под)каталогах с файлом conftest.py. В этом файле может содержаться фикстура для создания экземпляра ОАГ. Листинг 9.25

Пример фикстуры pytest для повторного использования ОАГ во время тестов

import datetime import pytest from airflow.models import DAG @pytest.fixture def test_dag(): return DAG( "test_dag", 1

Чтобы ваши тесты выполнялись изолированно, можно использовать контейнер Docker с пустой инициализированной базой данных Airflow.

Глава 9

246

Тестирование

default_args={ "owner": "airflow", "start_date": datetime.datetime(2019, 1, 1), }, schedule_interval="@daily", )

Теперь каждый тест, требующий объекта ОАГ, может просто создать его экземпляр, добавив test_dag в качестве аргумента теста, который выполняет функцию test_dag() в начале теста. Листинг 9.26

Создание требуемых объектов путем включения фикстур с тестом

def test_movielens_operator(tmp_path, mocker, test_dag): mocker.patch.object( MovielensHook, "get_connection", return_value=Connection( conn_id="test", login="airflow", password="airflow", ), ) task = MovielensDownloadOperator( task_id="test", conn_id="testconn", start_date="{{ prev_ds }}", end_date="{{ ds }}", output_path=str(tmp_path / "{{ ds }}.json"), dag=test_dag, ) task.run( start_date=dag.default_args["start_date"], end_date=dag.default_args["start_date"], )

task.run() – это метод класса BaseOperator. run() принимает две даты и, учитывая schedule_interval ОАГ, вычисляет экземпляры задачи для запуска между двумя заданными датами. Поскольку мы указываем те же две даты (дату начала ОАГ), здесь будет только один экземпляр задачи, который нужно выполнить.

9.2.1 Работа с внешними системами Предположим, что мы работаем с  оператором, который подключается к  базе данных, скажем MovielensToPostgresOperator, который считывает рейтинги MovieLens и записывает результаты в базу данных Postgres. Это часто встречающийся пример, когда источник пре-

Работа с ОАГ и контекстом задачи в тестах

247

доставляет данные только в том виде, в  котором они есть во время запроса, но не может предоставить прошлые данные, и  некоторым хотелось бы создать историю источника. Например, если сегодня вы выполнили запрос к API MovieLens, где вчера Джон поставил фильму «Мстители» четыре звезды, а сегодня изменил рейтинг на пять звезд, API вернет только пятизвездочный рейтинг. Задание Airflow может один раз в день получать все данные и сохранять ежедневный экспорт наряду со временем записи. Оператор для этого действия может выглядеть так. Листинг 9.27

Пример оператора, подключающегося к базе данных PostgreSQL

from airflow.hooks.postgres_hook import PostgresHook from airflow.models import BaseOperator from airflowbook.hooks.movielens_hook import MovielensHook class MovielensToPostgresOperator(BaseOperator): template_fields = ("_start_date", "_end_date", "_insert_query") def __init__( self, movielens_conn_id, start_date, end_date, postgres_conn_id, insert_query, **kwargs, ): super().__init__(**kwargs) self._movielens_conn_id = movielens_conn_id self._start_date = start_date self._end_date = end_date self._postgres_conn_id = postgres_conn_id self._insert_query = insert_query def execute(self, context): with MovielensHook(self._movielens_conn_id) as movielens_hook: ratings = list(movielens_hook.get_ratings( start_date=self._start_date, end_date=self._end_date), ) postgres_hook = PostgresHook( postgres_conn_id=self._postgres_conn_id ) insert_queries = [ ➥ self._insert_query.format(",".join([str(_[1]) for _ in sorted(rating.items())])) for rating in ratings ] postgres_hook.run(insert_queries)

Глава 9

248

Тестирование

Разберемся с  методом execute(). Он соединяет API MovieLens и базу данных Postgres, извлекая данные и преобразовывая результаты в запросы для Postgres (рис. 9.10). Получаем все рейтинги между заданными start_date и end_date с помощью MovielensHook Создаем PostgresHook для обмена данными с Postgres def execute(self, context): with MovielensHook(self._movielens_conn_id) as movielens_hook: ratings = list(movielens_hook.get_ratings(start_date=self._start_date, end_date=self._end_date)) postgres_hook = PostgresHook(postgres_conn_id=self._postgres_conn_id) insert_queries = [ self._insert_query.format(",".join([str(_[1]) for _ in sorted(rating.items())])) for rating in ratings ] postgres_hook.run(insert_queries)

Создаем список запросов на вставку. Рейтинги возвращаются в виде списка словарей: {'movieId': 51935, 'userId': 21127, 'rating': 4.5, 'timestamp': 1419984001}

Для каждого рейтинга мы: 1) выполняем сортировку по ключу для детерминированных результатов: sorted(ratings[0].items()) [('movieId', 51935), ('rating', 4.5), ('timestamp', 1419984001), ('userId', 21127)]

2) создаем список значений, приведенных к строке для .join () [str(_[1]) for _ in sorted(ratings[0].items())] ['51935', '4.5', '1419984001', '21127']

3) объединяем все значения в строку с запятой ",".join([str(_[1]) for _ in sorted(rating.items())]) '51935,4.5,1419984001,21127'

4) предоставляем результат insert_query.format (…) self._insert_query.format(",".join([str(_[1]) for _ in sorted(rating.items())])) 'INSERT INTO movielens (movieId,rating,ratingTimest amp,userId,...) VALUES (51935,4.5,1419984001,21127, ...)'

Рис. 9.10

Разбор преобразования данных JSON в запросы Postgres

Как это протестировать, если мы не можем получить доступ к нашей рабочей базе данных Postgres с ноутбука? К счастью, создать локальную базу данных Postgres для тестирования с  помощью Docker несложно. В Python есть несколько пакетов, которые предоставляют удобные функции для управления контейнерами Docker в  рамках тестов pytest. В  следующем примере мы будем использовать pytestdocker-tools (https://github.com/Jc2k/pytest-docker-tools). Этот пакет предоставляет набор удобных вспомогательных функций, с помощью которых можно создать контейнер Docker для тестирования. Мы не будем вдаваться в детали, но продемонстрируем, как создать образец контейнера Postgres для записи результатов MovieLens. Если оператор работает правильно, то у нас должны быть результаты, записанные в базу данных Postgres в контейнере в конце теста. Тестирование с использованием контейнеров Docker позволяет использовать реальные методы хуков, без необходимости имитировать вызовы, чтобы тестирование выглядело как можно реалистичнее. Сначала установите pytest-docker-tools в  своем окружении с  помощью команды pip install pytest_ docker_tools. Так мы получаем

Работа с ОАГ и контекстом задачи в тестах

249

ряд вспомогательных функций, таких как fetch и containter. Сначала мы извлечем контейнер. Листинг 9.28

Извлекаем образ Docker для тестирования с помощью pytest_docker_tools

from pytest_docker_tools import fetch postgres_image = fetch(repository="postgres:11.1-alpine")

Функция fetch запускает команду docker pull на компьютере, на котором ведется работа (и, следовательно, требуется, чтобы вы установили на нем Docker), и  возвращает скачанный образ. Обратите внимание, что сама эта функция представляет собой фикстуру pytest, а это значит, что ее нельзя вызвать напрямую. Мы должны предоставить ее в качестве параметра для теста. Листинг 9.29

Использование образа Docker в тесте с фикстурами pytest_docker_tools

from pytest_docker_tools import fetch postgres_image = fetch(repository="postgres:11.1-alpine") def test_call_fixture(postgres_image): print(postgres_image.id)

При запуске этого теста будет выведено следующее: Fetching postgres:11.1­alpine PASSED [100%] sha256:b43856647ab572f271decd1f8de88b590e157bfd816599362fe162e8f37fb1ec

Теперь мы можем использовать этот идентификатор образа для настройки и запуска контейнера Postgres. Листинг 9.30

Запуск контейнера Docker для теста с фикстурами pytest_docker_tools

from pytest_docker_tools import container postgres_container = container( image="{postgres_image.id}", ports={"5432/tcp": None}, ) def test_call_fixture(postgres_container): print( f"Running Postgres container named {postgres_container.name} " f"on port {postgres_container.ports['5432/tcp'][0]}." )

Глава 9

250

Тестирование

Функция containter из pytest_docker_tools также представляет собой фикстуру, поэтому ее тоже можно вызвать, только предоставив ее в качестве аргумента для теста. Требуется несколько аргументов, которые настраивают контейнер для запуска, в данном случае это идентификатор образа, который был возвращен из фикстуры fetch(), и порты, которые нужно открыть. Так же, как мы запускаем контейнеры Docker из командной строки, мы можем сконфигурировать переменные окружения, тома и многое другое. Конфигурация портов требует пояснения. Обычно порт контейнера отображается в тот же порт в хост-системе (например, docker run ­p 5432:5432 postgres). Контейнер для тестов не должен работать до бесконечности, и, кроме того, мы не хотим конфликтовать с другими портами, используемыми в хост-системе. Предоставляя словарь ключевому аргументу ports, где ключи – это порты контейнера, а значения отображаются в хост-систему, и оставляя значения None, мы отображаем порт хоста в случайный открытый порт на хосте (как при запуске docker run ­P). Если предоставить тесту фикстуру, то это приведет к ее выполнению (т. е. запуску контейнера), а  pytest-dockertools затем внутренне отобразит назначенные порты в  хост-системе в  атрибут ports в  самой фикстуре. postgres_ container.ports['5432/tcp'][0] дает нам назначенный номер порта на хосте, который мы затем можем использовать в тесте для подключения. Чтобы максимально сымитировать реальную базу данных, нужно задать имя пользователя и пароль и инициализировать ее, используя схему и данные для запроса. И то, и другое можно указать в фикстуре containter. Листинг 9.31

Инициализация контейнера Postgres для тестирования с реальной базой данных

postgres_image = fetch(repository="postgres:11.1­alpine") postgres = container( image="{postgres_image.id}", environment={ "POSTGRES_USER": "testuser", "POSTGRES_PASSWORD": "testpass", }, ports={"5432/tcp": None}, volumes={ os.path.join(os.path.dirname(__file__), "postgres­init.sql"): { "bind": "/docker­entrypoint­initdb.d/postgres­init.sql" } }, )

Структуру базы данных и данные можно инициализировать в post­ gres­init.sql.

Работа с ОАГ и контекстом задачи в тестах

Листинг 9.32

251

Инициализация схемы для тестовой базы данных

SET SCHEMA 'public'; CREATE TABLE movielens ( movieId integer, rating float, ratingTimestamp integer, userId integer, scrapeTime timestamp );

В фикстуре containter мы предоставляем имя пользователя и пароль Postgres через переменные окружения. Это особенность образа Postgres Docker, позволяющая сконфигурировать несколько настроек через переменные окружения. Обратитесь к документации по образу Postgres Docker, чтобы узнать обо всех переменных окружения. Еще одна функция образа Docker – возможность инициализировать контейнер сценарием запуска, поместив файл с расширением * .sql, * .sql. gz или * .sh в каталог /docker­entrypoint­initdb.d. Они выполняются при загрузке контейнера, перед запуском фактического сервиса Postgres, и их можно использовать для инициализации нашего тестового контейнера с таблицей для запроса. В листинге 9.31 мы монтируем файл postgres­init.sql в  контейнер, используя ключевое слово volume: volumes={ os.path.join(os.path.dirname(__file__), "postgres-init.sql"): { "bind": "/docker-entrypoint-initdb.d/postgres-init.sql" } }

Мы предоставляем ему словарь, где ключи показывают (абсолютное) местоположение в хост-системе. В данном случае мы сохранили файл postgres­init.sql в том же каталоге, что и наш тестовый сценарий, поэтому os.path.join(os.path.dirname(__ file__), "postgres­ init.sql") даст нам абсолютный путь к нему. Значения также являются словарем, где ключ указывает тип монтирования (bind) и значение местоположения внутри контейнера, /docker­entrypoint­initdb.d для запуска сценария с  расширением *.sql во время загрузки контейнера. Соберите все это в сценарии, и мы наконец сможем протестировать его на реальной базе данных Postgres. Листинг 9.33

Завершаем тест с использованием контейнера Docker для тестирования внешних систем

import os import pytest from airflow.models import Connection

252

Глава 9

Тестирование

from pytest_docker_tools import fetch, container ➥ from airflowbook.operators.movielens_operator import MovielensHook, MovielensToPostgresOperator, PostgresHook postgres_image = fetch(repository="postgres:11.1­alpine") postgres = container( image="{postgres_image.id}", environment={ "POSTGRES_USER": "testuser", "POSTGRES_PASSWORD": "testpass", }, ports={"5432/tcp": None}, volumes={ os.path.join(os.path.dirname(__file__), "postgres­init.sql"): { "bind": "/docker­entrypoint­initdb.d/postgres­init.sql" } }, ) def test_movielens_to_postgres_operator(mocker, test_dag, postgres): mocker.patch.object( MovielensHook, "get_connection", return_value=Connection( conn_id="test", login="airflow", password="airflow", ), ) mocker.patch.object( PostgresHook, "get_connection", return_value=Connection( conn_id="postgres", conn_type="postgres", host="localhost", login="testuser", password="testpass", port=postgres.ports["5432/tcp"][0], ), ) task = MovielensToPostgresOperator( task_id="test", movielens_conn_id="movielens_id", start_date="{{ prev_ds }}", end_date="{{ ds }}", postgres_conn_id="postgres_id", insert_query=( "INSERT INTO movielens (movieId,rating,ratingTimestamp,userId,scrapeTime) " "VALUES ({0}, '{{ macros.datetime.now() }}')"

253

Работа с ОАГ и контекстом задачи в тестах ), dag=test_dag, ) pg_hook = PostgresHook() row_count = pg_hook.get_first("SELECT COUNT(*) FROM movielens")[0] assert row_count == 0 task.run( start_date=test_dag.default_args["start_date"], end_date=test_dag.default_args["start_date"], ) row_count = pg_hook.get_first("SELECT COUNT(*) FROM movielens")[0] assert row_count > 0

Полный тест получился немного длинным из-за инициализации контейнера и имитации подключения, которое мы должны выполнить. После этого мы создаем экземпляр PostgresHook (который использует тот же имитированный метод get_connection(), что и в MovielensTo­ PostgresOperator, и таким образом подключается к контейнеру Docker Postgres). Сначала мы используем утверждение, что количество строк равно нулю, запускаем оператор и,  наконец, тестируем, если были вставлены какие-либо данные. Что происходит за пределами самой логики тестирования? Во время запуска теста pytest выясняет, какие тесты используют фикстуру, и выполнение будет осуществляться только при использовании данной фикстуры (рис. 9.11). Pytest собирает фикстуры и определяет, какие из них использовать в тесте

Запуск теста Pytest извлекает и создает контейнер Docker для PostgreSQL

Выполнение теста

Завершение теста Pytest удаляет контейнер Docker

Рис. 9.11 Процесс запуска теста с помощью pytest-docker-tools. Запуск контейнеров Docker во время тестов позволяет проводить тестирование на реальных системах. Жизненный цикл контейнера Docker управляется pytest-docker-tools, а пользователь должен реализовать тест

Когда pytest решает запустить фикстуру containter, он будет извлекать, запускать и  инициализировать контейнер. На это уходит пара секунд, поэтому в наборе тестов будет небольшая задержка в несколько секунд. По окончании теста фикстуры завершат выполнение. Pytest-docker-tools помещает небольшую функцию-обертку вокруг клиента Python Docker, предоставляя пару удобных конструкций и фикстур для использования в тестах.

254

9.3

Глава 9

Тестирование

Использование тестов для разработки Тесты не только помогают проверить правильность кода. Они также полезны во время разработки, потому что позволяют запускать небольшой фрагмент кода без необходимости использовать реальную систему. Посмотрим, как они могут помочь нам при разработке рабочих процессов. Мы продемонстрируем пару скриншотов из PyCharm, но любая современная интегрированная среда разработки позволяет установить точки останова и выполнить отладку. Вернемся к MovielensPopularityOperator из раздела 9.1.3. В методе execute() он запускает серию операторов, и мы хотели бы знать состояние на полпути. С помощью PyCharm это можно сделать, установив точку останова и запустив тест, который доходит до строки кода, для которой установлена эта точка (рис. 9.12).

Щелкните по границе, чтобы установить точку останова Отладчик остановится, как только дойдет до этого места

Рис. 9.12 Установка точки останова в интегрированной среде разработки. Этот скриншот был сделан в PyCharm, но любая среда разработки позволяет устанавливать точки останова и выполнять отладку

Теперь запустите тест test_movielenspopularityoperator в режиме отладки (рис. 9.13).

Запускаем тест в режиме отладки, чтобы он останавливался на точках останова

Рис. 9.13 Запуск теста в режиме отладки, чтобы он остановился на точке останова

Использование тестов для разработки

255

Как только тест дойдет до строки кода, для которой вы установили точку останова, можно проверить текущее состояние переменных, а также выполнить код в этот момент. Здесь, например, можно проверить контекст экземпляра задачи на полпути через метод execute() (рис. 9.14).

Рис. 9.14 Отладка позволяет нам проверить состояние программы в установленной точке останова. Здесь мы проверяем значения контекста

Иногда ваш код работает локально, но на рабочей машине возвращает ошибку. Как выполнить отладку в  такой ситуации? Существует способ сделать это удаленно, но данная тема выходит за рамки этой книги. При удаленной отладке вы можете подключить локальный отладчик PyCharm (или другой интегрированной среды разработки) к удаленному работающему процессу Python. (Для получения дополнительной информации поищите в  сети «удаленная отладка с PyCharm».) Есть и другая альтернатива, на которую стоит обратить внимание, если по какой-либо причине вы не можете использовать реальный отладчик: воспользуйтесь отладчиком командной строки (для этого нужен доступ к  командной строке на удаленной машине). В  Python есть встроенный отладчик pdb (Python Debugger). Он добавляет эту строку кода в то место, которое вы хотите отладить1. 1

В Python 3.7 и PEP553 представлен новый способ установки точек останова: просто вызовите метод breakpoint().

Глава 9

256

Листинг 9.34

Тестирование

Установка точки останова в коде

import pdb; pdb.set_trace()

Теперь вы можете запустить свой код из командной строки, выполнив тест с pytest или запустив задачу Airflow в ОАГ с помощью интерфейса командной строки: airflow tasks test [dagid] [taskid] [execution date]

Вот пример: airflow tasks test movielens_download fetch_data 2019­01­01T12:00:00

Команда airflow tasks test запускает задачу без регистрации каких-либо записей в базе метаданных. Она полезна для запуска и тестирования отдельных задач в промышленном окружении. Как только точка останова pdb будет достигнута, вы можете выполнить код и  управлять отладчиком с  помощью определенных ключей, таких как n для выполнения оператора и перехода к следующей строке и l для отображения окружающих строк (рис. 9.15). (Просмотрите полный список команд, выполнив поиск по запросу «pdb cheat sheet» в интернете.) Оператор, в котором pdb делает паузу на «1» для проверки окружающих строк, показывает следующую строку для выполнения >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> PDB set_trace >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> >>>>> > /src/airflowbook/operators/movielens_operator.py( 70)execute() ­> postgres_hook = PostgresHook(postgres_conn_id=se lf._postgres_conn_id) (Pdb) l 65 with MovielensHook(self._movielens_conn_id) as m ovielens_hook: 66 ratings = list(movielens_hook.get_ratings(start_ date=self._start_date, end_date=self._end_date)) 67 68 import pdb; pdb.set_trace() 69 70 ­> postgres_hook = PostgresHook(postgres_conn_id =self._postgres_conn_id) 71 insert_queries = [ 72 self._insert_query.format(",".join([str(_[1]) fo r _ in sorted(rating.items())])) 73 for rating in ratings 74 ] 75 postgres_hook.run(insert_queries) (Pdb) len(ratings) 3103 (Pdb) n > /src/airflowbook/operators/movielens_operator.py( 72)execute() ­> self._insert_query.format(",".join([str(_[1]) fo r _ in sorted(rating.items())]))

Проверяем, содержат ли рейтинги переменных какие-либо значения, выводя длину Вычисляем строку и переходим к следующей

Рис. 9.15 Отладка из командной строки с помощью pdb

Эмулируйте промышленное окружение с помощью Whirl

257

9.3.1 Тестирование полных ОАГ До сих пор мы рассматривали различные аспекты тестирования отдельных операторов: тестирование с контекстом экземпляра задачи и без него, операторы, использующие локальную файловую систему, и операторы, использующие внешние системы с помощью Docker. Но все это было сосредоточено на тестировании одного оператора. Большой и важный аспект разработки рабочих процессов – убедиться, что все строительные блоки хорошо сочетаются друг с другом. Хотя один оператор может работать правильно с логической точки зрения, он может, например, преобразовать данные неожиданным способом, что приведет к сбою последующего оператора. Как же убедиться, что все операторы в ОАГ работают, как и ожидалось? К сожалению, ответить на этот вопрос непросто. Имитация реального окружения не всегда возможна по разным причинам. Например, в  случае с  разделенной системой DTAP (аббревиатура, образованная из начальных букв слов Development, Testing, Acceptance и  Production, поэтапный подход, применяемый к  тестированию и развертыванию программного обеспечения) часто нельзя создать идеальную копию рабочего варианта в окружении разработки из-за правил конфиденциальности или размера данных. Допустим, в промышленном окружении содержится петабайт данных; в этом случае было бы непрактично (мягко говоря) поддерживать синхронизацию данных во всех четырех окружениях. Поэтому создается максимально реалистичное промышленное окружение, которое можно использовать для разработки и проверки программного обеспечения. В случае с Airflow это не исключение, и мы уже видели несколько подходов к решению данной проблемы. Мы кратко опишем два подхода в разделах 9.4 и 9.5.

9.4

Эмулируйте промышленное окружение с помощью Whirl Один из подходов к воссозданию промышленного окружения – проект Whirl (https://github.com/godatadriven/whirl). Его суть состоит в  том, чтобы моделировать все компоненты промышленного окружения в контейнерах Docker и управлять всем этим с помощью инструмента Docker Compose. Whirl поставляется с утилитой командной строки, чтобы можно было с легкостью управлять этими окружениями. Хотя Docker – отличный инструмент для разработки, один из его недостатков состоит в том, что не все может быть доступно в качестве образа Docker, например Google Cloud Storage.

Глава 9

258

9.5

Тестирование

Создание окружений Локальная эмуляция промышленного окружения с помощью Docker или работа с  таким инструментом, как Whirl, не всегда возможна. Одна из причин – безопасность (например, иногда невозможно подключить локальную установку Docker к FTP-серверу, используемому в рабочих ОАГ, потому что FTP-сервер включен в список разрешенных IP-адресов). Один из подходов, который часто обсуждается с сотрудником службы безопасности, – это настройка изолированных окружений. Иногда бывает неудобно настраивать и  сопровождать четыре полноценных окружения, поэтому в небольших проектах с небольшим количеством людей иногда используются всего два (окружение разработки и промышленное окружение). У  каждого окружения могут быть определенные требования, такие как фиктивные данные в окружениях разработки и  тестирования. Реализация такого DTAP-конвейера часто касается конкретного проекта и инфраструктуры и выходит за рамки этой книги. В контексте проекта Airflow целесообразно создать одну выделенную ветку в репозитории GitHub для каждого окружения: окружение разработки > ветка development, промышленное окружение > production / main и т. д. Таким образом вы можете вести разработку локально, в ветках. Сначала выполните слияние (ветка development) и запустите ОАГ в  окружении разработки. Как только вы будете удовлетворены результатами, внесите свои изменения в  следующую ветку, скажем main, и запустите рабочие процессы в соответствующем окружении.

Резюме Тест на благонадежность фильтрует основные ошибки в ваших ОАГ. Модульное тестирование проверяет правильность отдельных операторов. „ pytest и  плагины предоставляют ряд полезных конструкций для тестирования, таких как временные каталоги и плагины для управления контейнерами Docker во время тестов. „ Операторы, которые не используют контекст экземпляра задачи, можно просто запускать с помощью метода execute(). „ Операторы, использующие контекст экземпляра задачи, должны запускаться вместе с ОАГ. „ Для интеграционного тестирования нужно максимально точно смоделировать свое промышленное окружение. „ „

10 Запуск задач в контейнерах

Эта глава рассказывает: о том, как выявить проблемы, связанные с управлением развертыванием Airflow; „ об упрощении развертывания Airflow; „ о запуске контейнерных задач в Airflow с использованием Docker; „ о высокоуровневом обзоре рабочих процессов при разработке контейнерных ОАГ. „

В предыдущих главах мы реализовали несколько ОАГ с  использованием различных операторов Airflow, каждый из которых специализировался на выполнении определенного типа задач. В этой главе мы поговорим о  недостатках использования множества разных операторов, особенно обращая внимание на создание ОАГ, которые легко создавать, развертывать и сопровождать. В свете этих проблем мы рассмотрим, как использовать Airflow для запуска задач в контейнерах, применение Docker и Kubernetes и преимущества данного подхода.

Глава 10

260

Запуск задач в контейнерах

10.1 Проблемы, вызываемые множеством разных операторов Операторы, возможно, являются одной из сильных сторон Airflow, поскольку обеспечивают отличную гибкость для координации заданий в различных типах систем. Однако создание и управление ОАГ со множеством разных операторов могут оказаться довольно сложной задачей. Чтобы понять, почему, рассмотрим ОАГ на базе нашей рекомендательной системы из главы 8. Он показан на рис. 10.1. Этот ОАГ состоит из трех разных задач: извлечение рекомендаций по фильмам из нашего API, ранжирование фильмов на основе полученных рекомендаций и отправка этих фильмов в базу данных MySQL для дальнейшего использования. Обратите внимание, что этот относительно простой ОАГ уже использует три разных оператора: HttpOperator (или какойлибо другой оператор API) для доступа к API, PythonOperator для выполнения функции рекомендательной системы и  MySQLOperator для сохранения результатов. ОАГ HttpOperator

1. Извлечение данных из API

PythonOperator

2. Агрегирование данных для расчета статистики

MysqlOperator

3. Загрузка данных в MySQL для аналитики

Рис. 10.1 Иллюстрация ОАГ рекомендательной системы. Он извлекает рекомендации по фильмам, использует их для ранжирования и сохраняет результат в базе данных. Каждый из этих этапов включает в себя разного оператора, что усложняет разработку и сопровождение ОАГ

10.1.1 Интерфейсы и реализации операторов Недостаток использования разных операторов для каждой из этих задач состоит в  том, что нам нужно ознакомиться с  интерфейсами и  внутренним устройством каждого оператора, чтобы эффективно использовать их. Кроме того, если мы столкнемся с ошибками в каком-либо из операторов1, нам потребуется потратить драгоценное время и ресурсы на отслеживание основных проблем и их устранение. Хотя эти усилия могут показаться приемлемыми для такого небольшого примера, представьте себе сопровождение развертывания Air1

К сожалению, это не редкость, особенно в случае с малораспространенными и не особо часто используемыми операторами Airflow.

Проблемы, вызываемые множеством разных операторов

261

flow с большим количеством разных ОАГ, где используется множество различных операторов. При таком сценарии работать со всеми этими операторами будет сложнее.

10.1.2 Сложные и конфликтующие зависимости Еще одна проблема, возникающая при использовании множества разных операторов, заключается в том, что каждому из них обычно требуется свой набор зависимостей (Python или что-то иное). Например, HttpOperator зависит от библиотеки requests для выполнения HTTP-запросов, тогда как MySQLOperator нужны зависимости на уровне Python и/или на уровне системы для взаимодействия с  MySQL. Точно так же код рекомендательной системы, вызываемый Python­ Operator, скорее всего, будет иметь собственный набор зависимостей (таких как pandas, scikit-learn и  т.  д., если используется машинное обучение). Из-за способа настройки Airflow все эти зависимости должны быть установлены в  окружении, в  котором работает планировщик Airflow, а  также сами воркеры. При использовании множества разных операторов для этого требуется установка большого количества зависимостей1, что приводит к потенциальным конфликтам (рис. 10.2) и большой сложности в настройке и сопровождении этих окружений (не говоря уже о потенциальных рисках безопасности при установке такого количества программных пакетов). Конфликты представляют собой особую проблему в  окружениях Python, поскольку Python не дает никакого механизма для установки нескольких версий одного и того же пакета в одном окружении.

10.1.3 Переход к универсальному оператору Из-за этих проблем с использованием и сопровождением множества различных операторов и  их зависимостей некоторые утверждают, что лучше было бы сосредоточиться на использовании одного универсального оператора для выполнения задач. Положительный момент такого подхода состоит в том, что нам нужно знать только один вид операторов, а  это означает, что наши ОАГ внезапно становятся намного проще для понимания, поскольку состоят только из одного типа задач. Более того, если все будут использовать один и тот же оператор для запуска своих задач, то мы с  меньшей вероятностью столкнемся с ошибками в таком операторе. Наконец, наличие только одного оператора означает, что нам нужно беспокоиться лишь об одном наборе зависимостей Airflow – тех, что необходимы для этого оператора. 1

Просто посмотрите на файл setup.py, чтобы получить представление об огромном количестве зависимостей, участвующих в поддержке всех операторов Airflow.

Глава 10

262

Запуск задач в контейнерах

Запуск одного ОАГ

ОАГ 1

Библиотека А v1.0

Запуск нескольких ОАГ

ОАГ 1

Библиотека B v1.0

Библиотека А v1.0

ОАГ 2

Конфликт

Библиотека B v1.0

Библиотека А v2.0 Библиотека X v1.0

Библиотека Y v1.0

Библиотека X v1.0

Библиотека Y v1.0 Конфликт

Конфликт Библиотека X v3.0

Библиотека Y v2.0

Рис. 10.2 Запуск большого количества ОАГ в одном окружении может привести к конфликтам, когда ОАГ зависят от разных версий одних и тех же (или связанных) пакетов. В частности, Python не поддерживает установку разных версий одного и того же пакета в одном окружении. Это означает, что любые конфликты в пакетах (справа) необходимо будет решить, заново написав ОАГ (или их зависимости), чтобы использовать те же версии пакета

Но где же найти такой универсальный оператор, способный выполнять множество различных задач, который в то же время не требует от нас установки и управления зависимостями для каждой из них? Вот тут-то и пригодятся контейнеры.

10.2 Представляем контейнеры Контейнеры рекламируются как одна из основных последних разработок, позволяющих с легкостью упаковывать приложения с  необходимыми зависимостями и легко развертывать их в различных окружениях единообразно. Прежде чем перейти к тому, как использовать контейнеры в Airflow, для начала дадим краткое введение1, чтобы убедиться, что все мы находимся на одной волне. Если вы уже знакомы с  Docker и  концепциями контейнеров, переходите к  разделу 10.3.

1

Для полного введения мы с радостью дадим вам ссылки на множество книг о виртуализации на основе контейнеров и связанных с ними технологиях, таких как Docker/Kubernetes.

Представляем контейнеры

263

10.2.1 Что такое контейнеры? Исторически сложилось так, что одной из самых больших проблем при разработке программных приложений было их развертывание (т.  е. обеспечение правильной и  стабильной работы приложений на целевой машине (машинах)). Обычно это связано с  жонглированием и учетом множества различных факторов, в том числе различий между операционными системами, вариаций установленных зависимостей и библиотеки, различного оборудования и т. д. Один из подходов к управлению этой сложностью – использовать виртуализацию, при которой приложения устанавливаются на виртуальную машину, работающую поверх клиентской операционной системы хоста (рис. 10.3). При использовании такого подхода приложения видят только операционную систему (ОС) виртуальной машины, а это означает, что нам нужно лишь убедиться, что виртуальная ОС соответствует требованиям нашего приложения, вместо того чтобы изменять ОС хоста. Таким образом, чтобы развернуть приложение, можно просто установить его со всеми необходимыми зависимостями в  виртуальную ОС, которую мы затем можем отправить нашим клиентам. Недостаток виртуальных машин состоит в том, что они довольно тяжелые, поскольку требуют запуска всей операционной системы (виртуальной или гостевой ОС) поверх операционной системы хоста. Более того, каждая новая виртуальная машина будет работать под управлением собственной гостевой операционной системы, то есть для запуска нескольких приложений в виртуальных машинах на одном компьютере потребуются значительные ресурсы. Это ограничение привело к развитию виртуализации на базе контейнеров, которая представляет собой гораздо более легкий подход, нежели виртуальные машины (рис.  10.3). В отличие от виртуальных машин, подходы к виртуализации на основе контейнеров используют функциональные возможности на уровне ядра в ОС хоста для виртуализации приложений. Это означает, что контейнеры могут разделять приложения и их зависимости так же, как и виртуальные машины, не требуя при этом, чтобы каждое приложение запускало собственную операционную систему; они могут просто использовать эту функциональность из ОС хоста. Взаимодействием между контейнерами и операционной системой хоста часто управляет служба, которую называют менеджер контейнеров. Она предоставляет API для управления и  запуска различных контейнеров приложений и их образов, а также часто предоставляет инструменты командной строки, которые помогают пользователям создавать свои контейнеры и взаимодействовать с ними. Самым известным таким решением является Docker, который за долгие годы приобрел большую популярность благодаря своей относительной простоте в использовании и большому сообществу.

Глава 10

264

Запуск задач в контейнерах

Виртуальные машины Приложение 1

Приложение 1

Приложение 1

Бинарные файлы/ библиотеки

Бинарные файлы/ библиотеки

Бинарные файлы/ библиотеки

Гостевая ОС

Гостевая ОС

Гостевая ОС

Контейнеры

Приложение 1

Приложение 1

Приложение 1

Гипервизор

Сервис управления контейнерами

Операционная система хоста

Операционная система хоста

Инфраструктура

Инфраструктура

Рис. 10.3 Сравнение виртуальных машин (ВМ) и контейнеров. Обратите внимание, что контейнеры намного легче, поскольку им не требуется запускать всю гостевую ОС для каждого приложения

10.2.2 Запуск нашего первого контейнера Docker Чтобы изучить жизненный цикл создания и запуска контейнера, попробуем создать небольшой контейнер с помощью Docker. Надеемся, это даст вам прочувствовать работу с контейнерами и задействованный здесь рабочий процесс разработки. Перед тем как начать, убедитесь, что у вас установлен Docker. Инструкции по установке Docker Desktop можно найти на странице https://www.docker.com/get-started. После того как вы установите и  запустите Docker, можно запустить наш первый контейнер, используя следующую команду в вашем терминале: Листинг 10.1

Запуск контейнера Docker

$ docker run debian:buster­slim echo Hello, world!

После выполнения этой команды вы должны получить примерно такой результат: Unable to find image 'debian:buster­slim' locally latest: Pulling from library/debian ... Digest: sha256:76c15066d7db315b42dc247b6d439779d2c6466f ➥ 7dc2a47c2728220e288fc680 Status: Downloaded newer image for debian:buster­slim Hello, world!

Что произошло, когда мы выполнили эту команду? Если говорить коротко, Docker сделал для нас следующее:

Представляем контейнеры

265

Клиент docker связался с демоном Docker (контейнерная служба, работающая на нашем локальном компьютере). 2 Демон извлек образ Debian Docker, содержащий базовые двоичные файлы и библиотеки Debian из реестра Docker Hub (онлайнсервис для хранения образов Docker). 3 Используя этот образ, демон создал новый контейнер. 4 Контейнер выполнил нашу команду echo Hello, world внутри контейнера. 5 Демон передал вывод команды клиенту Docker, показав его на нашем терминале. Это означает, что мы смогли выполнить команду echo Hello, world внутри контейнера Ubuntu на своей локальной машине, независимо от операционной системы хоста. Довольно круто! Точно так же можно выполнять команды в Python, используя следующую команду: 1

Листинг 10.2

Выполнение команды внутри контейнера Python

$ docker run python:3.8 python ­c 'import sys; print(sys.version)'

По сути, мы выполняем команду Python внутри контейнера Python. Обратите внимание, что здесь мы указываем тег для образа (3.8), который в этом случае гарантирует, что мы используем версию образа Python, содержащего Python 3.8.

10.2.3 Создание образа Docker Хотя запустить существующий образ довольно просто, что, если нам нужно включить собственное приложение в  образ, чтобы мы могли запускать его с помощью Docker? Проиллюстрируем этот процесс небольшим примером. В этом примере у нас есть небольшой скрипт (fetch_weather.py), который извлекает прогнозы погоды из API wttr.in (http://wttr.in) и записывает вывод этого API в  выходной файл. У  этого сценария есть пара зависимостей, и мы хотим упаковать все это в виде образа Docker, чтобы конечным пользователям было легче его запускать. Можно начать создание образа Docker с создания файла Dockerfile, который, по сути, представляет собой текстовый файл, описывающий Docker, как создать образ. Базовая структура этого файла выглядит примерно так: Листинг 10.3

Файл Dockerfile для извлечения прогнозов погоды из API wttr

Сообщаем Docker, какой образ использовать в качестве основы для создания нашего образа FROM python:3.8­slim Копируем файл requirements COPY requirements.txt /tmp/requirements.txt и запускаем pip, чтобы RUN pip install ­r /tmp/requirements.txt установить требования

Глава 10

266

Запуск задач в контейнерах

COPY scripts/fetch_weather.py /usr/local/bin/fetch­weather Копируем наш сценарий RUN chmod +x /usr/local/bin/fetch­weather и убеждаемся, что он исполняемый ENTRYPOINT [ "/usr/local/bin/fetch­weather" ] Сообщаем Docker, какую команду CMD [ "­­help" ] Сообщаем Docker, какие нужно выполнить при запуске аргументы по умолчанию контейнера следует включить в команду

Каждая строка файла Dockerfile – это, по сути, инструкция, сообщающая Docker о  необходимости выполнения конкретной задачи при построении образа. Большинство файлов Dockerfile начинаются с инструкции FROM, которая сообщает Docker, какой базовый образ нужно использовать в качестве отправной точки. Остальные инструкции (COPY, ADD, ENV и т. д.) затем сообщают Docker, как добавить дополнительные слои к  базовому образу, содержащему ваше приложение и его зависимости. Чтобы создать образ с помощью этого файла Dockerfile, можно использовать следующую команду: Листинг 10.4

Создание образа Docker с использованием файла Dockerfile

$ docker build ­­tag manning­airflow/wttr­example .

Здесь мы даем Docker указание создать образ Docker, используя текущий каталог (.) в  качестве контекста сборки. Затем Docker будет искать в  этом каталоге файл Dockerfile, а также любые файлы, включенные в операторы ADD/COPY (например, наш сценарий и требования к файлу). Аргумент ­­tag сообщает Docker, какое имя присвоить созданному образу (в  данном случае это manning­airflow/ wttr­example). Выполнение команды build даст примерно следующий вывод: Sending build context to Docker daemon 5.12kB Step 1/7 : FROM python:3.8­slim ­­­> 9935a3c58eae Step 2/7 : COPY requirements.txt /tmp/requirements.txt ­­­> 598f16e2f9f6 Step 3/7 : RUN pip install ­r /tmp/requirements.txt ­­­> Running in c86b8e396c98 Collecting click ... Removing intermediate container c86b8e396c98 ­­­> 102aae5e3412 Step 4/7 : COPY scripts/fetch_weather.py /usr/local/bin/fetch­weather ­­­> 7380766da370 Step 5/7 : RUN chmod +x /usr/local/bin/fetch­weather ­­­> Running in 7d5bf4d184b5 Removing intermediate container 7d5bf4d184b5 ­­­> cae6f678e8f8

Представляем контейнеры

267

Step 6/7 : ENTRYPOINT [ "/usr/local/bin/fetch­weather" ] ­­­> Running in 785fe602e3fa Removing intermediate container 785fe602e3fa ­­­> 3a0b247507af Step 7/7 : CMD [ "­­help" ] ­­­> Running in bad0ef960f30 Removing intermediate container bad0ef960f30 ­­­> ffabdb642077 Successfully built ffabdb642077 Successfully tagged wttr­example:latest

По сути, здесь показан весь процесс сборки, связанный с созданием нашего образа, начиная с базового образа Python (этап 1) и заканчивая последней инструкцией CMD (этап 7). В конце Docker заявляет, что пометил созданный образ указанным именем. Чтобы выполнить тестовый запуск созданного образа, можно использовать следующую команду. Листинг 10.5

Запуск контейнера Docker с использованием образа wttr

$ docker run manning­airflow/wttr­example:latest

После этого должно быть выведено такое сообщение из нашего сценария внутри контейнера: Usage: fetch­weather [OPTIONS] CITY CLI application for fetching weather forecasts from wttr.in. Options: ­­output_path FILE Optional file to write output to. ­­help Show this message and exit.

Теперь, когда у нас есть образ контейнера, можно начать использовать его для извлечения прогнозов погоды из API wttr в следующем разделе.

10.2.4 Сохранение данных с использованием томов Можно запустить образ wttr­example, который мы создали в предыдущем разделе, чтобы извлечь прогнозы погоды для такого города, как Амстердам, используя следующую команду Docker. Листинг 10.6

Запуск контейнера wttr для определенного города

$ docker run wttr­example:latest Amsterdam

Предположим, что все идет правильно, и в результате мы должны получить прогнозы погоды в  Амстердаме, которые будут выведены в терминале наряду с причудливыми графиками (рис. 10.4).

Глава 10

268

Рис. 10.4

Запуск задач в контейнерах

Пример вывода из контейнера wttr-example для Амстердама

Чтобы создать историю прогнозов погоды, также можно записать прогнозы в  какой-нибудь выходной файл (файлы), который можно использовать для дальнейшего применения или анализа. К счастью, наш сценарий включает дополнительный аргумент ­­output_path, который позволяет нам указать путь к выходному файлу для записи прогнозов, вместо того чтобы писать их в консоль. Однако если вы попытаетесь выполнить эту команду с путем к локальному файлу, то увидите, что фактически никаких выходных данных в формате JSON в вашей локальной файловой системе не создается: $ docker run wttr­example:latest Amsterdam ­­output_path amsterdam.json $ ls amsterdam.json ls: amsterdam.json: No such file or directory

Представляем контейнеры

269

Это связано с тем, что окружение контейнера изолировано от операционной системы хоста, а  это означает, что он (среди прочего) имеет изолированную файловую систему, отделенную от файловой системы хоста. Чтобы поделиться файлами с  контейнером, необходимо убедиться, что файлы доступны в файловой системе, к которой имеет доступ контейнер. Один из часто используемых вариантов – чтение и запись файлов с  применением хранилища, к  которому можно получить доступ через интернет (например, хранилище Amazon S3) или локальную сеть. Кроме того, можно монтировать файлы или папки из вашей хостсистемы в контейнер, дабы они были доступны изнутри контейнера. Чтобы смонтировать файл или папку в свой контейнер, необходимо указать для команды docker run аргумент –volume, который определяет, какой файл или папку нужно монтировать и желаемый путь внутри контейнера. Листинг 10.7

Монтирование тома при запуске контейнера

$ docker run ­­volume `pwd`/data:/data wttr­example ... Монтируем данные локального каталога (слева) в контейнере в /data

Здесь мы сообщаем Docker о необходимости монтировать данные локальной папки по пути /data внутри контейнера. Это означает, что теперь мы можем записать выходные данные о погоде в смонтированный том данных с помощью следующей команды: Листинг 10.8

Сохранение вывода из контейнера wttr

$ docker run ­­rm ­­volume `pwd`/data:/data \ ➥ wttr­example Amsterdam ­­output_path /data/amsterdam.json Передаем в контейнер дополнительные аргументы из Amsterdam и --output_path

Можно удостовериться, что все работает, проверив, действительно ли текстовый файл существует, после того как наш контейнер закончил работу: $ ls data/amsterdam.json data/amsterdam.json

Когда вы закончите работу с  контейнерами, то можете использовать следующую команду, чтобы проверить, не работают ли еще какие-либо контейнеры: $ docker ps

Остановить все запущенные контейнеры можно с помощью команды docker stop, используя идентификаторы, полученные из предыдущей команды, для ссылки на запущенные контейнеры: $ docker stop

Глава 10

270

Запуск задач в контейнерах

Остановленные контейнеры все еще находятся в  приостановленном состоянии в фоновом режиме на случай, если позже вы захотите снова запустить их. Если вам больше не нужен контейнер, можно полностью удалить его с помощью команды docker rm: $ docker rm

Обратите внимание, что остановленные контейнеры не отображаются по умолчанию при использовании команды docker ps для поиска работающих контейнеров. Остановленные контейнеры можно просмотреть, используя параметр ­a, выполнив команду docker ps: $ docker ps ­a

10.3 Контейнеры и Airflow Теперь, когда у нас есть базовое представление о том, что такое контейнеры Docker и как их использовать, вернемся к Airflow. В этом разделе мы рассмотрим, как применять контейнеры в Airflow и каковы их потенциальные преимущества.

10.3.1 Задачи в контейнерах Airflow позволяет запускать задачи в качестве контейнеров. На практике это означает, что вы можете использовать контейнерные операторы (такие как DockerOperator и  KubernetesPodOperators) для определения задач. Эти операторы при выполнении начнут запускать контейнер и  будут ждать, пока он завершит выполнение того, что предполагалось (аналогично команде docker run). Результат каждой задачи зависит от выполненной команды и программного обеспечения внутри образа контейнера. В качестве примера рассмотрим ОАГ рекомендательной системы (рис.  10.1). В  исходном примере используются три оператора для выполнения трех разных задач, а именно: для извлечения рейтингов (с использованием HttpOperator), ранжирования фильмов (с помощью PythonOpera­ tor) и публикации результатов (с использованием оператора на базе MySQL). Используя подход на базе Docker (рис. 10.5), можно было бы заменить эти задачи с  помощью DockerOperator и  использовать его для выполнения команд в трех разных контейнерах Docker с соответствующими зависимостями.

10.3.2 Зачем использовать контейнеры? Конечно, такой подход на основе контейнеров требует создания образов для каждой из задач (хотя иногда можно использовать образы в связанных или похожих задачах). Таким образом, вы можете спросить себя,

271

Контейнеры и Airflow

зачем создавать и сопровождать эти образы Docker, когда можно реализовать все с помощью нескольких сценариев или функций Python? Docker ОАГ

Http-контейнер

DockerOperator Контейнер рекомендательной системы

DockerOperator DockerOperator

Рис. 10.5

Контейнер MySQL

Docker-версия ОАГ рекомендательной системы из рис. 10.1

Легкое управЛение зависимостями Одно из самых больших преимуществ использования контейнеров (Docker) состоит в том, что они обеспечивают более простой подход к  управлению зависимостями. Создавая разные образы для разных задач, вы можете устанавливать точные зависимости, необходимые для каждой из них, в соответствующий образ. Поскольку затем задачи выполняются изолированно в этих образах, вам больше не нужно иметь дело с конфликтами в зависимостях между задачами (рис. 10.6). В  качестве дополнительного преимущества можно упомянуть тот факт, что вам не нужно устанавливать какие-либо зависимости задач в окружении воркеров Airflow (только в Docker), поскольку задачи больше не запускаются в них.

ОАГ 2 Задача 1

Задача 2

Задача 3

Контейнерная задача 1

Контейнерная задача 2

Контейнерная задача 3

Библиотека A v2.0

Библиотека B v1.0

Библиотека A v1.0

Библиотека X v3.0

Библиотека Y v1.0

Библиотека X v1.0

Библиотека Y v2.0

Библиотека Y v1.0

Рис. 10.6 Управление зависимостями в разных задачах с использованием контейнеров

Глава 10

272

Запуск задач в контейнерах

единый подход к запуску разЛичных задач Еще одно преимущество использования контейнеров для задач состоит в  том, что каждая контейнерная задача имеет один и  тот же интерфейс, поскольку все они фактически представляют собой одну и ту же операцию (запуск контейнера), выполняемую одним и тем же оператором (например, DockerOperator). Единственные отличия – задействованные образы с  небольшими вариациями в  конфигурации и  выполняемая команда. Такое единообразие упрощает разработку ОАГ, поскольку нужно выучить только одного оператора. И если возникают какие-либо проблемы, связанные с оператором, нужно лишь отладить и исправить проблемы в одном этом операторе, а не разбираться во множестве разных операторов.

уЛучшенная тестируемость Наконец, еще одно преимущество использования образов контейнеров состоит в  том, что их можно разрабатывать и  сопровождать отдельно от ОАГ Airflow, в котором они работают. Это означает, что у  каждого образа может быть собственный жизненный цикл разработки и  его можно подвергнуть специальному тесту (например, запуск с имитированными данными), чтобы проверить, делает ли программное обеспечение в образе то, что мы ожидаем. Разделение на контейнеры делает это тестирование проще, чем, например, при использовании PythonOperator, который часто включает в себя задачи, тесно связанные с самим ОАГ, что затрудняет тестирование функций отдельно от слоя оркестровки Airflow.

10.4 Запуск задач в Docker После этого введения пришло время приступить к  реализации нашего ОАГ рекомендательной системы в контейнерах. В этом разделе мы расскажем, как запустить существующий ОАГ в контейнерах с помощью Docker.

10.4.1 Знакомство с DockerOperator Самый простой способ запустить задачу в контейнере с Airflow – использовать DockerOperator, доступный из пакета провайдера apache­ airflow­provider­docker1. Из названия оператора видно, что он позволяет запускать задачи в  контейнерах с  использованием Docker. Базовый API оператора выглядит так:

1

Для Airflow версии 1.10.x можно установить DockerOperator, используя пакет apache­airflow­backport­sizes­docker­backport.

273

Запуск задач в Docker

Листинг 10.9

Пример использования DockerOperator

rank_movies = DockerOperator( Сообщаем DockerOperator, task_id="rank_movies", какой образ использовать image="manning­airflow/movielens­ranking", command=[ Указываем, какую команду "rank_movies.py", запускать в контейнере "­­input_path", "/data/ratings/{{ds}}.json", "­­output_path", Определяем, какие тома "/data/rankings/{{ds}}.csv", монтировать внутри контейнера ], (формат: host_path: container_path) volumes=["/tmp/airflow/data:/data"], )

Идея DockerOperator заключается в том, что он является эквивалентом команды docker run (как показано в предыдущем разделе) для запуска конкретного образа с конкретными аргументами и ждет, пока контейнер завершит свою работу. В данном случае мы даем Airflow указание запустить сценарий rank_movies.py внутри образа mannin­ gairflow/movielens­ranking, с  дополнительными аргументами, указывающими на то, где сценарий должен читать или записывать свои данные. Обратите внимание, что мы также предоставляем дополнительный аргумент volumes, который монтирует каталог данных в контейнер, чтобы мы могли предоставить контейнеру входные данные, а также сохранить результаты после завершения задачи или работы контейнера. Что происходит, когда выполняется этот оператор? По сути, происходящее показано на рис.  10.7. Сначала Airflow дает воркеру указание выполнить задачу, запланировав ее (1). Затем DockerOperator выполняет команду docker run на машине, где функционирует воркер, с соответствующими аргументами (2). Потом, при необходимо-

(1) Планирует задачу Airflow

Воркер

(2) Выполняет команду docker run

Docker Запускает (4)

Образ Реестр образов

(5) Монтирует Локальное хранилище

(3) Извлекает образ (при необходимости)

Контейнер

Машина, где функционирует воркер

Рис. 10.7 Иллюстрация того, что происходит, когда задача выполняется с помощью DockerOperator. В реестре образов хранится коллекция образов Docker. Это может быть закрытый реестр (содержащий наши собственные образы) или общедоступный реестр, такой как DockerHub (который используется по умолчанию при извлечении образов). При извлечении образы кешируются локально, поэтому вам нужно делать это только один раз (за исключением обновлений образа)

Глава 10

274

Запуск задач в контейнерах

сти, демон Docker извлекает требуемый образ Docker из реестра (3). Наконец, Docker создает контейнер, в котором запускается образ (4), и монтирует локальный том в контейнер (5). По окончании команды работа контейнера завершается, и DockerOperator получает результаты в воркере.

10.4.2 Создание образов для задач Прежде чем мы сможем запускать задачи с помощью DockerOperator, нам нужно создать все необходимые образы Docker для различных задач. Чтобы создать образ для задачи, необходимо точно определить, какое программное обеспечение (и соответствующие зависимости) требуется для выполнения задачи. Как только это станет ясно, мы можем приступить к созданию файла Dockerfile (наряду со вспомогательными файлами) и использовать команду docker build для создания необходимого образа. В качестве примера рассмотрим первую задачу в ОАГ рекомендательной системы: задачу извлечения рейтингов (рис. 10.1). Эта задача должна связаться с внешним API для извлечения рейтингов фильмов от пользователей на заданный диапазон дат, чтобы мы могли использовать их в качестве входных данных для модели рекомендательной системы в следующей задаче. Чтобы иметь возможность запускать этот процесс в  контейнере, для начала нужно преобразовать код, который мы написали для извлечения рейтингов в главе 8, в сценарий, который можно легко запустить внутри контейнера. Первым шагом к его созданию является использование небольшого каркаса для создания CLI-сценария на Python, который затем можно заполнить нужными функциями. С помощью популярной библиотеки Python, click1, такой каркас может выглядеть примерно так, как показано в листинге 10.10. Листинг 10.10

Каркас для CLI-сценария на базе библиотеки click

#!/usr/bin/env python import logging import click

Строка, сообщающая Linux, что нужно выполнить сценарий с использованием Python

logging.basicConfig(level=logging.INFO)

Настройка журналирования для обратной связи с пользователем

Преобразовывает функцию main в команду CLI @click.command() @click.option( Добавляет параметр в команду CLI "­­start_date", с соответствующими типами type=click.DateTime(formats=["%Y­%m­%d"]), и аннотациями required=True, help="Start date for ratings.", 1

Вы, конечно же, также можете использовать встроенную библиотеку ar­ gparse, но лично нам очень нравится краткость API библиотеки click для создания приложения командной строки.

275

Запуск задач в Docker ) @click.option( Добавляет дополнительные параметры, ... необходимые для команды ) @click.option( ... Параметры передаются в качестве ) ключевых аргументов в функцию main ... и могут использоваться с этого момента def main(start_date, ...): """CLI script for fetching ratings from the movielens API.""" ... Способ, которым Python гарантирует, if __name__ == "__main__": что функция или команда main вызываются main() при выполнении этого сценария

В этом каркасе мы определяем одну функцию, main, которая выполняется при запуске нашего сценария и,  следовательно, должна реализовывать нашу функцию извлечения рейтингов. Мы также используем декоратор click.command для преобразования функции main в  команду CLI, которая позаботится об анализе аргументов из командной строки и  представлении полезного отзыва пользователю. Декораторы click.option используются для того, чтобы сообщить библиотеке click, какие аргументы должен принимать наш интерфейс командной строки и  какие типы значений следует ожидать. Приятный момент здесь состоит в том, что click также выполняет за нас анализ и валидацию аргументов, поэтому нам не нужно самостоятельно обрабатывать данный тип логики. Используя этот каркас, можно приступить к заполнению функции main той же логикой, с которой мы начали в главе 81. Листинг 10.11

Сценарий с рейтингами (docker/images/movielens-fetch/scripts/fetch_ratings.py)

... from pathlib import Path

Определяем различные аргументы интерфейса командной строки для библиотеки click. Опущено здесь для краткости; полная реализация доступна в примерах кода

@click.command() @click.option(...) ... def main(start_date, end_date, output_path, host, user, password, batch_size): ""CLI-скрипт для извлечения рейтингов из API Movielens.""

Настраивает сеанс requests для выполнения HTTP-запросов с правильными деталями аутентификации logging.info("Fetching ratings from %s (user: %s)", host, user) ratings = list( Журналирование используется session = requests.Session() session.auth = (user, password)

для обратной связи с пользователем

1

Это адаптированный код из примера на базе PythonOperator, с которого мы начали в главе 8.

Глава 10

276

Запуск задач в контейнерах

_get_ratings( session=session, host=host, start_date=start_date, end_date=end_date, batch_size=batch_size, )

Использует нашу функцию _get_ratings (опущена для краткости) для извлечения рейтингов с помощью предоставленного сеанса

) logging.info("Retrieved %d ratings!", len(ratings)) output_path = Path(output_path)

Проверяет, что выходной каталог существует

output_dir = output_path.parent output_dir.mkdir(parents=True, exist_ok=True) logging.info("Writing to %s", output_path) with output_path.open("w") as file_: json.dump(ratings, file_)

Записывает вывод в формате JSON в выходной каталог

Говоря кратко, этот код начинается с настройки сеанса requests для выполнения HTTP-запросов, после чего используется функция _get_ ratings1 для извлечения из API рейтингов за определенный период времени. Результатом вызова этой функции является список записей (в виде словарей), который затем записывается в выходной путь в формате JSON. В промежутке мы также используем операторы журналирования, чтобы предоставить пользователю обратную связь. Теперь, когда у нас есть сценарий, можно приступить к созданию образа Docker. Для этого нам нужно создать файл Dockerfile, который устанавливает зависимости для нашего сценария (click и requests), копирует его в образ и проверяет, находится ли он в PATH2. В результате у нас должен получиться примерно следующий файл Dockerfile: Листинг 10.12

Встраивание сценария с оценками (docker/images/movielens-fetch/Dockerfile)

Устанавливаем необходимые зависимости FROM python:3.8­slim RUN pip install click==7.1.1 requests==2.23.0 COPY scripts/fetch_ratings.py /usr/bin/local/fetch­ratings RUN chmod +x /usr/bin/local/fetch­ratings Копируем сценарий fetch_ratings ENV PATH="/usr/local/bin:${PATH}" и делаем его исполняемым Убеждаемся, что сценарий находится в PATH (чтобы его можно было запустить без указания полного пути)

Обратите внимание: код предполагает, что мы поместили сценарий fetch_ratings.py в  каталог scripts рядом с  файлом Dockerfile. Наши зависимости устанавливаются путем указания их непосредственно 1

2

Функция _get_ratings здесь опущена для краткости, но доступна в исходном коде, прилагаемом к книге. Это cделано для того, чтобы мы могли запустить сценарий с  помощью команды fetch-ratings, вместо того чтобы указывать полный путь к нему.

Запуск задач в Docker

277

в файле Dockerfile, хотя вместо него также можно использовать файл requirements.txt, который копируется в образ перед запуском pip. Листинг 10.13

Использование файла requirements.txt (docker/images/movielens-fetch-reqs/Dockerfile)

COPY requirements.txt /tmp/requirements.txt RUN pip install ­r /tmp/requirements.txt

С помощью этого файла Dockerfile мы, наконец, можем создать образ для извлечения рейтингов: $ docker build ­t manning­airflow/movielens­fetch .

Чтобы протестировать созданный образ, можно попробовать запустить его с помощью команды docker run: $ docker run ­­rm manning­airflow/movielens­fetch fetch­ratings ­­help

Эта команда должна вывести сообщение-справку из нашего сценария, которое выглядит примерно так: Usage: fetch­ratings [OPTIONS] CLI script for fetching movie ratings from the movielens API. Options: ­­start_date [%Y­%m­%d] ­­end_date [%Y­%m­%d] ­­output_path FILE ­­host TEXT ­­user TEXT ­­password TEXT ­­batch_size INTEGER ­­help

Start date for ratings. [required] End date for ratings. [required] Output file path. [required] Movielens API URL. Movielens API user. [required] Movielens API password. [required] Batch size for retrieving records. Show this message and exit.

Это означает, что теперь у  нас есть образ контейнера для нашей первой задачи. Можно использовать аналогичный подход к  созданию разных образов для других задач. В зависимости от количества общего кода вы также можете создавать образы, которые используются в задачах, но могут запускаться с разными аргументами или даже с разными сценариями. Как вы все это организуете, зависит от вас.

10.4.3 Создание ОАГ с задачами Docker Теперь, когда мы знаем, как создавать образы Docker для каждой из наших задач, можно приступить к созданию ОАГ для запуска задач. Процесс создания такого ОАГ на основе Docker относительно прост: нужно только заменить существующие задачи на операторы Docker­ Operator и убедиться, что каждый DockerOperator запускает свою задачу с правильными аргументами. Также нужно подумать о том, как

Глава 10

278

Запуск задач в контейнерах

обмениваться данными между задачами, так как файловые системы контейнеров Docker перестанут существовать по истечении срока выполнения задачи. Начнем с  извлечения рейтингов. Первая часть нашего ОАГ  – это просто DockerOperator, вызывающий сценарий fetch­ratings внутри контейнера manning­airflow/movielensfetch, который мы создали в предыдущем разделе. Листинг 10.14

Запуск контейнера fetch (docker/dags/01_docker.py)

import datetime as dt from airflow import DAG from airflow.providers.docker.operators.docker import DockerOperator with DAG( dag_id="01_docker", description="Fetches ratings from the Movielens API using Docker.", start_date=dt.datetime(2019, 1, 1), end_date=dt.datetime(2019, 1, 3), schedule_interval="@daily", ) as dag: Fetch Сообщаем DockerOperator, чтобы он ratings = DockerOperator( использовал образ movielens-fetch task_id="fetch_ratings", image="manning­airflow/movielens­fetch", command=[ "fetch­ratings", Запускаем сценарий fetch-rating "­­start_date", в контейнере с необходимыми аргументами "{{ds}}", "­­end_date", "{{next_ds}}", "­­output_path", "/data/ratings/{{ds}}.json", Предоставляем информацию о хосте "­­user", и аутентификации для нашего API os.environ["MOVIELENS_USER"], "­­password", os.environ["MOVIELENS_PASSWORD"], Монтируем том для хранения "­­host", данных. Обратите внимание, что os.environ["MOVIELENS_HOST"], этот путь к хосту находится на хосте ], Docker, а не в контейнере Airflow volumes=["/tmp/airflow/data:/data"], network_mode="airflow", Убеждаемся, что контейнер подключен к сети ) Docker, чтобы он мог получить доступ к API (который работает в той же сети)

При запуске контейнера из оператора убедитесь, что вы включили аргументы, сообщающие оператору, как подключиться к API MovieLens (host, user, password), для какого диапазона дат нужно извлечь рейтинги (start_date/end_date) и куда их писать (output_path).

Запуск задач в Docker

279

Мы также сообщаем Docker монтировать путь файловой системы хоста к  контейнеру в  /data, чтобы можно было сохранить полученные рейтинги вне контейнера. Кроме того, мы даем Docker указание запускать контейнер в  определенной сети (Docker) под названием Airflow. Это то место, где работает наш контейнер MovieLens API, если вы используете шаблоны docker­compose для запуска Airflow1. Для нашей второй задачи, ранжирования фильмов, можно использовать аналогичный подход, чтобы создать контейнер Docker для задачи, который затем можно запустить с помощью DockerOperator. Листинг 10.15

Добавляем задачу ранжирования в ОАГ (docker/dags/01_docker.py)

rank_movies = DockerOperator( Используем образ task_id="rank_movies", movielens-ranking image="manning­airflow/movielens­ranking", command=[ "rank­movies", Вызываем сценарий rank-movies "­­input_path", с необходимым входным "/data/ratings/{{ds}}.json", или выходным путем "­­output_path", "/data/rankings/{{ds}}.csv", ], volumes=["/tmp/airflow/data:/data"], ) fetch_ratings >> rank_movies

Здесь вы также можете увидеть одно из существенных преимуществ использования DockerOperator: хотя эти задачи выполняют разные функции, интерфейс для запуска задач тот же (за исключением аргументов command, которые передаются в  контейнер). Таким образом, теперь эта задача выполняет команду rank­movies внутри образа manning­airflow/movielens­rank, следя за тем, чтобы данные читались и записывались на тот же том hostPath, как и в случае с предыдущей задачей. Это позволяет задаче ранжирования считывать вывод задачи fetch_ratings и сохранять ранжированные фильмы в той же структуре каталогов. Теперь, когда у нас есть первые две задачи2 в ОАГ, можно попробовать запустить ее из Airflow. Для этого откройте веб-интерфейс Airflow и  активируйте ОАГ. Дождавшись завершения работы, вы должны увидеть пару успешных запусков за последние несколько дней (рис. 10.8). 1

2

Мы не будем здесь подробно рассматривать работу в сети, говоря о Docker, поскольку это небольшая деталь реализации; вам не нужно настраивать сеть, если вы обращаетесь к API в интернете. Если вам интересно, то для знакомства с  этой темой воспользуйтесь хорошей книгой по Docker или онлайн-документацией. Мы оставим третью задачу по загрузке рекомендаций в базу данных в качестве упражнения.

Глава 10

280

Запуск задач в контейнерах

Рис. 10.8 ОАГ на базе Docker в пользовательском интерфейсе Airflow

Результат запуска можно проверить, щелкнув по задаче и открыв журналы, нажав на View logs (Просмотр журналов). В случае с задачей fetch_ratings вы должны увидеть что-то наподобие вывода, показанного в следующем листинге. Здесь видно, что DockerOperator запустил наш образ и зарегистрировал выходные журналы из контейнера. Листинг 10.16

Вывод журнала из задачи fetch_ratings

[2020­04­13 11:32:56,780] {docker.py:194} INFO ­ ➥ Starting docker container from image manning­airflow/movielens­fetch [2020­04­13 11:32:58,214] {docker.py:244} INFO ­ ➥ INFO:root:Fetching ratings from http://movielens:5000 (user: airflow) [2020­04­13 11:33:01,977] {docker.py:244} INFO ­ ➥ INFO:root:Retrieved 3299 ratings! [2020­04­13 11:33:01,979] {docker.py:244} INFO ­ ➥ INFO:root:Writing to /data/ratings/2020­04­12.json

Вы также можете проверить выходные файлы из ОАГ, просмотрев выходные файлы, которые (в нашем примере) были записаны в каталог /tmp/airflow/data на хосте Docker. Листинг 10.17

Вывод из ОАГ

$ head /tmp/airflow/data/rankings/*.csv | head ==> /tmp/airflow/data/rankings/2020­04­10.csv > rank_movies

После окончания можно перейти к  запуску ОАГ, активировав его в  веб-интерфейсе Airflow. Подождав несколько секунд, мы должны увидеть, как Airflow начинает планировать и  запускать задачи (рис. 10.11). Для получения более подробной информации можно открыть журнал экземпляра отдельной задачи, щелкнув по задаче, а затем щелкнув View Logs (Просмотр журналов). Вы увидите вывод задачи, который должен быть примерно таким.

Рис. 10.11 Несколько успешных запусков ОАГ рекомендательной системы на базе KubernetesPodOperator

Глава 10

290

Листинг 10.27

Запуск задач в контейнерах

Журналы задачи fetch_ratings на базе Kubernetes

... [2020­04­13 20:28:45,067] {logging_mixin.py:95} INFO ­ ➥ [[34m2020­04­13 20:28:45,067[0m] {[34mpod_launcher.py:[0m122} ➥ INFO[0m – Event: [1mfetch-ratings-0a31c089[0m had an event ➥ of type [1mPending[0m[0m [2020­04­13 20:28:46,072] {logging_mixin.py:95} INFO ­ ➥ [[34m2020­04­13 20:28:46,072[0m] {[34mpod_launcher.py:[0m122} ➥ INFO[0m – Event: [1mfetch-ratings-0a31c089[0m had an event ➥ of type [1mRunning[0m[0m [2020­04­13 20:28:48,926] {logging_mixin.py:95} INFO ­ ➥ [[34m2020­04­13 20:28:48,926[0m] {[34mpod_launcher.py:[0m105} ➥ INFO[0m – b'Fetching ratings from ➥ http://movielens.airflow.svc.cluster.local:80 (user: airflow)\n'[0m [2020­04­13 20:28:48,926] {logging_mixin.py:95} INFO ­ ➥ [[34m2020­04­13 20:28:48,926[0m] {[34mpod_launcher.py:[0m105} ➥ INFO[0m – b'Retrieved 3372 ratings!\n'[0m [2020­04­13 20:28:48,927] {logging_mixin.py:95} INFO ­ ➥ [[34m2020­04­13 20:28:48,927[0m] {[34mpod_launcher.py:[0m105} ➥ INFO[0m – b'Writing to /data/ratings/2020-04-10.json\n'[0m [2020­04­13 20:28:49,958] {logging_mixin.py:95} INFO ­ ➥ [[34m2020­04­13 20:28:49,958[0m] {[34mpod_launcher.py:[0m122} ➥ INFO[0m – Event: [1mfetch-ratings-0a31c089[0m had an event ➥ of type [1mSucceeded[0m[0m ...

10.5.4 Диагностика проблем, связанных с Kubernetes Если вам не повезло, то может случиться так, что ваши задачи зависнут в  состоянии выполнения, вместо того чтобы завершиться правильно. Обычно это происходит из-за того, что Kubernetes не может запланировать под задач. Это означает, что под зависнет в состоянии ожидания, вместо того чтобы запускаться в  кластере. Чтобы проверить, так ли это на самом деле, можно посмотреть журналы соответствующей задачи (задач), которые могут предоставить вам дополнительную информацию о состоянии подов в кластере. Листинг 10.28

Вывод журнала, показывающий, что задача зависла в состоянии ожидания

[2020­04­13 20:27:01,301] {logging_mixin.py:95} INFO ­ ➥ [[34m2020­04­13 20:27:01,301[0m] {[34mpod_launcher.py:[0m122} ➥ INFO[0m – Event: [1mfetch-ratings-0a31c089[0m had an event of type ➥ [1mPending[0m[0m [2020­04­13 20:27:02,308] {logging_mixin.py:95} INFO ­ ➥ [[34m2020­04­13 20:27:02,308[0m] {[34mpod_launcher.py:[0m122} ➥ INFO[0m – Event: [1mfetch-ratings-0a31c089[0m had an event ➥ of type [1mPending[0m[0m [2020­04­13 20:27:03,315] {logging_mixin.py:95} INFO ­ ➥ [[34m2020­04­13 20:27:03,315[0m] {[34mpod_launcher.py:[0m122}

291

Запуск задач в Kubernetes ➥ INFO[0m – Event: [1mfetch-ratings-0a31c089[0m had an event ➥ of type [1mPending[0m[0m ...

Здесь видно, что поды и в самом деле зависли. Чтобы диагностировать проблему, можно найти поды задач: $ kubectl ­­namespace airflow get pods

После того как вы определили имя соответствующего пода, можно попросить Kubernetes предоставить дополнительные сведения о состоянии пода, используя подкоманду describe из kubectl. Листинг 10.29

Описание конкретного пода для выявления проблем

$ kubectl ­­namespace describe pod ... Events: Type Reason Age ­­­­ ­­­­­­ ­­­­ Warning FailedScheduling 82s ➥ "data­volume" not found

[NAME­OF­POD]

From ­­­­ default­scheduler

Message ­­­­­­­ persistentvolumeclaim

Эта команда выдает большое количество деталей о соответствующем поде, включая недавние события (в разделе Events). Здесь видно, что наш под не был запланирован, потому что заявка на постоянный том не была создана должным образом. Чтобы исправить это, можно попробовать исправить ресурсы, должным образом применив нашу спецификацию ресурсов (что мы, вероятно, забыли сделать), а затем выполнить проверку на предмет наличия новых событий. Листинг 10.30

Устранение проблемы путем создания недостающих ресурсов

$ kubectl ­­namespace airflow apply ­f resources/data­volume.yml persistentvolumeclaim/data­volume created persistentvolume/data­volume created $ kubectl ­­namespace describe pod [NAME­OF­POD] ... Events: Type Reason Age From ­­­­ ­­­­­­ ­­­­ ­­­­ Warning FailedScheduling 33s default­scheduler ➥ "data­volume" not found Warning FailedScheduling 6s default­scheduler ➥ immediate PersistentVolumeClaims Normal Scheduled 3s default­scheduler ➥ airflow/fetch­ratings­0a31c089 to docker­desktop Normal Pulled 2s kubelet, ...

Message ­­­­­­ persistentvolumeclaim pod has unbound Successfully assigned Container image

Глава 10

292

Запуск задач в контейнерах

➥ "manning­airflow/movielens­fetch" already present on machine Normal Created 2s kubelet, ... Created container base Normal Started 2s kubelet, ... Started container base

Данный код показывает, что Kubernetes действительно смог запланировать наш под после создания заявки на том, тем самым исправив предыдущую проблему. ПРИМЕЧАНИЕ В  целом мы рекомендуем начинать диагностику любых проблем, сначала проверив журналы Airflow на предмет наличия полезных отзывов. Если вы видите что-либо, напоминающее проблемы с планированием, kubectl – лучшее, на что вы можете надеяться при выявлении проблем с вашим кластером или конфигурацией Kubernetes. Хотя этот пример далеко не исчерпывающий, надеемся, он даст вам некоторое представление о подходах, которые вы можете использовать для отладки проблем, связанных с Kubernetes, при использовании KubernetesPodOperator.

10.5.5 Отличия от рабочих процессов на базе Docker Рабочий процесс на базе Kubernetes (рис. 10.12) относительно похож на рабочий процесс на базе Docker (рис. 10.9). Однако помимо необходимости заниматься настройкой и сопровождением кластера Kubernetes (что не обязательно может быть тривиально) стоит иметь в виду и другие отличия. Узлы (1) Разработчик сообщает Docker, что нужно собрать и отправить образ

Образ (2) Собирает образ Docker

(3) Помещает образ в реестр

Машина для разработки

(4) Разработчик создает ОАГ с помощью операторов KubernetesPodOperator

Рис. 10.12

Airflow

Образ

(7) Извлекает образ из реестра

Реестр образов

(5) Airflow планирует задачу KubernetesPodOperator

(8) Запускает под на узле Master Кластер Kubernetes (6) KubernetesPodOperator сообщает кластеру, что задача должна запускаться как под

Рабочий процесс Airflow

Рабочий процесс для создания ОАГ с помощью KubernetesPodOperator

Во-первых, контейнеры задач уже выполняются не на рабочем узле Airflow, а на отдельном узле (Kubernetes) в кластере Kubernetes. Это означает, что любые ресурсы, используемые на рабочем узле, довольно минимальны, и вы можете использовать функции Kubernetes,

Резюме

293

чтобы убедиться, что ваша задача развернута на узле с правильными ресурсами (например, ЦП, память, графический процессор). Во-вторых, ни одно хранилище больше не будет доступно из воркера Airflow, но оно должно быть доступно для пода Kubernetes. Обычно это означает использование предоставленного хранилища через Kubernetes (как было показано с  томами Kubernetes и  заявками на хранилище); однако вы также можете применять различные типы сетевого или облачного хранилища, если у пода есть соответствующий доступ к хранилищу. В целом Kubernetes предоставляет значительные преимущества по сравнению с  Docker, особенно в  отношении того, что касается масштабируемости, гибкости (например, предоставления разных ресурсов или узлов для разных рабочих нагрузок) и  управления другими ресурсами, такими как хранилище, секреты и  т.  д. Кроме того, сам Airflow можно запускать поверх Kubernetes, а это значит, что вы можете использовать всю настройку Airflow в единой масштабируемой инфраструктуре на основе контейнеров.

Резюме Развертываниями Airflow может быть сложно управлять, если они связаны со множеством различных операторов, так как это требует знания различных API и усложняет отладку и управление зависимостями. „ Один из способов решения этой проблемы – использовать систему управления контейнерами, такую как Docker, чтобы инкапсулировать задачи в образы контейнеров и запускать эти образы изнутри Airflow. „ У такого подхода есть ряд преимуществ, в том числе более простое управление зависимостями, более унифицированный интерфейс для запуска задач и улучшенная тестируемость задач. „ Применяя DockerOperator, можно запускать задачи в образах контейнеров напрямую, используя Docker, что аналогично команде docker run. „ Вы можете восспользоваться KubernetesPodOperator для запуска контейнеризированных задач в подах на кластере Kubernetes. „ Kubernetes позволяет масштабировать контейнеризированные задачи в вычислительном кластере, что обеспечивает (помимо прочего) бóльшую масштабируемость и  гибкость с точки зрения вычислительных ресурсов. „

Часть III Airflow на практике Т

еперь, когда вы узнали, как создавать сложные конвейеры, используем их в промышленном окружении! Чтобы помочь вам приступить к работе, в этой части обсуждается несколько тем, касающихся использования Airflow в промышленном окружении. Сначала, в главе 11, дается обзор методов, которые мы уже встречали, для реализации конвейеров, и особое внимание уделяется передовым практикам, которые должны помочь вам в  создании эффективных конвейеров, удобных в  сопровождении. В  главах 12 и  13 рассматриваются детали, которые следует учитывать при запуске Airflow в  промышленном окружении. В  главе  12 описано, как развернуть Airflow. Здесь мы коснемся таких тем, как архитектуры масштабирования Airflow, мониторинг, журналирование и оповещение. В главе 13 особое внимание уделяется обеспечению безопасности Airflow, чтобы избежать нежелательного доступа и  минимизировать последствия брешей в  системе безопасности. В  главе  14 все предыдущие главы объединяются в  общий пример. После завершения этой части вы сможете писать эффективные и  удобные в  сопровождении конвейеры. У  вас также должно быть хорошее представление о том, как развертывать Airflow и какие детали реализации следует учитывать для надежного и безопасного развертывания.

11

Лучшие практики

Эта глава рассказывает: о том, как писать чистые и понятные ОАГ, используя соглашения о стилях; об использовании последовательных подходов к управлению учетными данными и параметрами конфигурации; „ о создании повторяющихся ОАГ и задач с помощью фабричных функций; „ о проектировании воспроизводимых задач путем наложения ограничений идемпотентности и детерминизма; „ об эффективной обработке данных путем ограничения количества данных, обрабатываемых в ОАГ; „ об использовании эффективных подходов к обработке и хранению наборов (промежуточных) данных; „ об управлении параллелизмом с использованием пулов ресурсов. „ „

В предыдущих главах мы описали большинство основных элементов, которые входят в построение и проектирование процессов обработки данных с использованием ОАГ. В этой главе мы подробнее рассмотрим передовые практики, которые могут помочь вам в написании хорошо спроектированных ОАГ, которые просты для понимания и эффективны с точки зрения того, как они обрабатывают ваши данные и ресурсы.

Глава 11

296

Лучшие практики

11.1 Написание чистых ОАГ Написание ОАГ легко может превратиться в  путаницу. Например, код ОАГ может быстро стать чрезмерно сложным или трудным для чтения – особенно если его пишут члены команды с очень разными стилями программирования. В  этом разделе мы коснемся советов, которые помогут вам структурировать и стилизовать код ОАГ и, мы надеемся, внесут (часто необходимую) ясность в  сложные процессы обработки данных.

11.1.1 Используйте соглашения о стилях Как и  во всех упражнениях по программированию, один из первых шагов к  написанию чистых и  последовательных ОАГ  – принятие общего и  чистого стиля программирования и  его последовательное применение. Хотя тщательное изучение практик по написанию чистого кода выходит за рамки этой книги, мы можем дать несколько советов в качестве отправных точек.

сЛедуем руководству по стиЛям Самый простой способ сделать свой код чище и понятнее – использовать общепринятый стиль при написании кода. В  сообществе доступно несколько руководств по стилю, в том числе широко известное руководство PEP8 (https://www.python.org/dev/peps/pep-0008/) и руководства от таких компаний, как Google (https://google.github.io/ styleguide/pyguide.html). Как правило, они включают рекомендации по отступам, максимальной длине строк, стилям именования для переменных, классов, функций и т. д. Листинг 11.1

Примеры кода, несовместимого с PEP8

spam( ham[ 1 ], { eggs: 2 } ) i=i+1 submitted +=1 my_list = [ 1, 2, 3, 4, 5, 6, ]

Листинг 11.2

Приведение примеров из листинга 11.1 в соответствии с PEP-8

spam(ham[1], {eggs: 2}) i = i + 1 submitted += 1

Меньше ненужных пробелов

Согласованные пробелы вокруг операторов

Написание чистых ОАГ

297

Более читабельные отступы вокруг скобок списка

my_list = [ 1, 2, 3, 4, 5, 6, ]

испоЛьзование статических анаЛизаторов дЛя проверки качества кода Сообщество Python также создало множество программных инструментов, которые можно использовать для проверки соответствия вашего кода соглашениям о кодировании и/или стилях. Два популярных инструмента – это Pylint и Flake8. Они используются в качестве статических анализаторов кода, а это означает, что вы можете запускать их для проверки своего кода, чтобы получить отчет о том, соответствует ли ваш код их предусмотренным стандартам. Например, чтобы запустить Flake8, можно установить его с  помощью pip, а затем указать соответствующий путь. Листинг 11.3

Установка и запуск Flake8

python ­m pip install flake8 python ­m flake8 dags/*.py

Эта команда запускает Flake8 для всех файлов Python в папке ОАГ, предоставляя отчет о  воспринимаемом качестве кода этих файлов. Обычно отчет выглядит примерно так. Листинг 11.4

Пример вывода Flake8

$ python ­m flake8 chapter08/dags/ chapter08/dags/04_sensor.py:2:1: F401 ➥ 'airflow.operators.python.PythonOperator' imported but unused chapter08/dags/03_operator.py:2:1: F401 ➥ 'airflow.operators.python.PythonOperator' imported but unused

И Flake8, и Pylint широко используются в сообществе, хотя обычно считается, что в конфигурации Pylint по умолчанию имеется более обширный набор проверок1. Конечно, оба инструмента можно настроить для включения или отключения определенных проверок, в зависимости от предпочтений, и их можно сочетать для предоставления исчерпывающей обратной связи. Чтобы получить более подробную информацию, посетите соответствующие сайты обоих инструментов.

испоЛьзование инструментов дЛя форматирования кода с цеЛью обеспечения общепринятого форматирования

Хотя статические анализаторы кода предоставляют обратную связь о качестве вашего кода, такие инструменты, как Pylint или Flake8, не 1

Можно считать это сильной или слабой стороной Pylint, в зависимости от предпочтений, поскольку некоторые находят его слишком педантичным.

Глава 11

298

Лучшие практики

предъявляют слишком строгих требований к  его форматированию (например, когда начинать новую строку, как делать отступы в  заголовках функций и  т.  д.). Таким образом, код Python, написанный разными людьми, может иметь самые разные стили форматирования в зависимости от предпочтений автора. Один из подходов к  уменьшению неоднородности форматирования кода внутри команд  – использовать инструмент для форматирования кода, чтобы передать ему управление (и все заботы), дабы обеспечить повторное форматирование кода в соответствии с его рекомендациями. Таким образом, применяя его на протяжении всего проекта, вы гарантируете, что весь код будет следовать единому согласованному стилю форматирования: стилю, реализуемому данным инструментом. Два часто используемых инструмента для форматирования кода Python  – это YAPF (https://github.com/google/yapf) и  Black (https:// github.com/psf/black). Оба они используют похожий стиль: берут ваш код, написанный на Python, и повторно форматируют его в соответствии со своими стилями, с небольшими различиями. Таким образом, выбор между Black и YAPF может зависеть от личных предпочтений, хотя Black приобрел большую популярность в  сообществе Python за последние несколько лет. Чтобы показать небольшой пример, рассмотрим следующий (надуманный) пример некрасивой функции. Листинг 11.5 Black

Пример кода до форматирования с использованием

def my_function( arg1, arg2, arg3): """Function to demonstrate black.""" str_a = 'abc' str_b = "def" return str_a + \ str_b

После применения Black вы получите следующий (более чистый) результат. Листинг 11.6

Тот же код после форматирования с использованием Black

def my_function(arg1, arg2, arg3): Более последовательный отступ для аргументов """Function to demonstrate black.""" Последовательное использование str_a = "abc" str_b = "def" двойных кавычек Удален ненужный разрыв строки return str_a + str_b

Чтобы запустить Black самостоятельно, установите его с помощью pip и примените к своим файлам Python:

Написание чистых ОАГ

Листинг 11.7

299

Установка и запуск Black

python ­m pip install black python ­m black dags/

Вы должны получить что-то наподобие следующего вывода, показывающего, переформатировал ли Black какие-либо файлы Python. Листинг 11.8

Пример вывода

reformatted dags/example_dag.py All done! ✨ 🍰 ✨ 1 file reformatted.

Обратите внимание, что вы также можете выполнить пробный запуск Black, используя параметр ­­check, который заставляет Black указывать только то, будет ли он переформатировать какие-либо файлы, вместо того чтобы выполнять фактическое переформатирование. Многие редакторы (например, Visual Studio Code, Pycharm) поддерживают интеграцию с  этими инструментами, позволяя переформатировать код из редактора. Подробнее о том, как настроить такой тип интеграции, см. в  документации соответствующего редактора.

согЛашения о стиЛях, относящихся к аirflow Также неплохо договориться о соглашениях по стилям для кода Airflow, особенно в случаях, когда он предоставляет несколько способов достижения одинаковых результатов. Например, у него есть два разных стиля для определения ОАГ. Листинг 11.9

Два стиля для определения DAG

with DAG(...) as dag: task1 = PythonOperator(...) task2 = PythonOperator(...)

Использование диспетчера контекста

dag = DAG(...) task1 = PythonOperator(..., dag=dag) task2 = PythonOperator(..., dag=dag)

Без диспетчера контекста

В принципе, оба этих определения ОАГ делают одно и то же, а это означает, что нет реальной причины выбирать что-то одно, помимо стилевых предпочтений. Однако если говорить о  членах вашей команды, то может быть полезно выбрать один из двух стилей и следовать им в  кодовой базе, чтобы все было более последовательным и понятным. Такая согласованность еще более важна при определении зависимостей между задачами, поскольку Airflow предоставляет несколько различных способов определения одной и той же зависимости задачи.

Глава 11

300

Листинг 11.10

Лучшие практики

Различные стили для определения зависимостей задач

task1 >> task2 task1 > task2 task1.set_downstream(task2) task2.set_upstream(task1)

Хотя у этих разных определений есть свои достоинства, сочетание разных стилей определений зависимостей в  одном ОАГ может сбивать с толку. Листинг 11.11

Смешивание различных нотаций зависимостей задач

task1 >> task2 task2 > task2 >> task3 >> [task4, task5]

Как и прежде, не обязательно отдавать четкое предпочтение какому-либо конкретному стилю; просто убедитесь, что вы выбрали тот стиль, который нравится вам (и вашей команде), и последовательно применяйте его.

11.1.2 Централизованное управление учетными данными В ОАГ, которые взаимодействуют со множеством различных систем, вы можете столкнуться с манипуляциями с различными типами учетных данных – базами данных, вычислительными кластерами, облачным хранилищем и  т.  д. Как было показано в  предыдущих главах, Airflow позволяет сохранять эти учетные данные в своем хранилище подключений, что обеспечивает безопасное1 хранение ваших учетных данных в центральной базе данных. Хотя хранилище подключений – это самое простое место для хранения учетных данных для встроенных операторов, у вас может возникнуть соблазн хранить секреты ваших пользовательских функций PythonOperator (и других функций) в  менее безопасных местах для 1

Предполагая, что Airflow сконфигурирован с учетом стандартов безопасности. См. главы 12 и 13 для получения дополнительной информации о настройке развертываний и безопасности в Airflow.

301

Написание чистых ОАГ

облегчения доступа. Например, мы видели довольно много реализаций ОАГ с ключами безопасности, вшитыми в код самого ОАГ или во внешних файлах конфигурации. К счастью, относительно легко использовать хранилище подключений Airflow для сохранения учетных данных и для вашего пользовательского кода, извлекая сведения о  подключении из хранилища в вашем коде и используя полученные учетные данные для выполнения своей работы. Листинг 11.13

Извлечение учетных данных из базы метаданных Airflow

from airflow.hooks.base_hook import BaseHook def _fetch_data(conn_id, **context) credentials = BaseHook.get_connection(conn_id) ... fetch_data = PythonOperator( task_id="fetch_data", op_kwargs={"conn_id": "my_conn_id"}, dag=dag )

Извлечение учетных данных с использованием данного идентификатора

Преимущество такого подхода заключается в том, что он использует тот же метод хранения учетных данных, что и  все другие операторы Airflow, а  это означает, что управление учетными данными осуществляется в одном месте. Как следствие вам нужно волноваться только о защите и сохранении учетных данных в этой центральной базе данных. Конечно, в зависимости от развертывания вам может понадобиться хранить свои секреты в других внешних системах (например, секреты Kubernetes, облачные хранилища секретов), перед тем как передать их Airflow. В этом случае рекомендуется убедиться, что эти учетные данные передаются в Airflow (например, с использованием переменных окружения), и вы обращаетесь к ним с помощью хранилища подключений Airflow.

11.1.3 Единообразно указывайте детали конфигурации У вас могут быть другие параметры, которые нужно передать в  качестве конфигурации своему ОАГ, такие как пути к  файлам, имена таблиц и т. д. Поскольку они написаны на языке Python, ОАГ предоставляют множество различных вариантов конфигурации, в  том числе глобальные переменные (в  рамках ОАГ), конфигурационные файлы (например, YAML, INI, JSON), переменные окружения, модули конфигурации на базе Python и т. д. Airflow также позволяет хранить конфигурации в базе метаданных, используя Airflow Variables (https:// airflow.apache.org/docs/apache-airflow/stable/concepts/index.html).

Глава 11

302

Лучшие практики

Например, чтобы загрузить параметры конфигурации из файла YAML1, можно использовать что-то вроде этого: Листинг 11.14

Загрузка параметров конфигурации из файла YAML

import yaml with open("config.yaml") as config_file: config = yaml.load(config_file) ... fetch_data = PythonOperator( task_id="fetch_data", op_kwargs={ "input_path": config["input_path"], "output_path": config["output_path"], }, ... )

Листинг 11.15

Чтение файла конфигурации с помощью PyYAML

Пример файла конфигурации YAML

input_path: /data output_path: /output

Точно так же вы можете загрузить конфигурацию с помощью Airflow Variables. По сути, это функция Airflow для хранения (глобальных) переменных в базе метаданных2. Листинг 11.16

Сохранение параметров конфигурации в Airflow Variables

from airflow.models import Variable input_path = Variable.get("dag1_input_path") output_path = Variable.get("dag1_output_path") fetch_data = PythonOperator( task_id="fetch_data", op_kwargs={ "input_path": input_path, "output_path": output_path, }, ... ) 1

2

Извлечение глобальных переменных с помощью механизма Airflow Variables

Обратите внимание: вы должны быть осторожны и не хранить конфиденциальные данные в таких файлах конфигурации, поскольку, как правило, они хранятся в виде обычного текста. Если вы храните их в конфигурационных файлах, убедитесь, что только нужные люди имеют полномочия для доступа к файлу. В противном случае рассмотрите возможность хранения этих данных в более безопасных местах, таких как база метаданных Airflow. Обратите внимание, что извлечение таких переменных в глобальной области видимости вашего ОАГ обычно плохо сказывается на его производительности. Прочитайте следующий подраздел, чтобы узнать, почему.

303

Написание чистых ОАГ

Обратите внимание, что такое извлечение переменных в глобальной области видимости может быть плохой идеей, поскольку это означает, что Airflow будет извлекать их из базы данных каждый раз, когда планировщик читает определение ОАГ. В целом у  нас нет никаких реальных предпочтений в  отношении того, как хранить свою конфигурацию, пока вы последовательны в этом. Например, если вы храните свою конфигурацию для одного ОАГ в виде файла YAML, имеет смысл следовать тому же соглашению и в отношении других ОАГ. Что касается конфигурации, которая используется в  нескольких ОАГ, настоятельно рекомендуется указывать значения конфигурации в  одном месте (например, в  общем файле YAML), следуя принципу DRY (Don’t repeat yourself – Не повторяйся). Таким образом, вы с меньшей вероятностью столкнетесь с проблемами, если измените параметр конфигурации в одном месте, но при этом забудете сделать это в другом месте. Наконец, полезно понимать, что параметры конфигурации можно загружать в разные контексты в зависимости от того, где на них ссылаются в рамках ОАГ. Например, если вы загружаете файл конфигурации в основную часть ОАГ следующим образом: Листинг 11.17

Загрузка параметров конфигурации в определение ОАГ (неэффективно)

import yaml with open("config.yaml") as config_file: config = yaml.load(config_file) fetch_data = PythonOperator(...)

В глобальной области видимости эта конфигурация будет загружена в планировщике

Файл config.yaml загружается из локальной файловой системы компьютеров, на которых запущены веб-сервер и/или планировщик Airflow. Это означает, что оба этих компьютера должны иметь доступ к пути к файлу конфигурации. Напротив, вы также можете загрузить файл конфигурации как часть задачи (Python). Листинг 11.18

Загрузка параметров конфигурации внутри задачи (более эффективно)

import yaml def _fetch_data(config_path, **context): with open(config_path) as config_file: config = yaml.load(config_file) ... fetch_data = PythonOperator( op_kwargs={"config_path": "config.yaml"}, ... )

В области видимости задачи эта конфигурация будет загружена в воркер

Глава 11

304

Лучшие практики

В данном случае файл конфигурации не будет загружен, пока ваша функция не будет выполнена воркером Airflow. Это означает, что конфигурация загружается в контексте воркера. В зависимости от того, как вы настроили развертывание, это может быть совсем другое окружение (с доступом к другим файловым системам и т. д.), что приводит к ошибочным результатам или сбоям. Подобные ситуации могут возникнуть и при других подходах к настройке. Их можно избежать, выбрав один подход к  конфигурации, который хорошо работает, и  придерживаясь его в  ОАГ. Кроме того, при загрузке параметров конфигурации помните о том, где выполняются различные части вашего ОАГ, и желательно используйте подходы, доступные для всех компонентов Airflow (например, нелокальные файловые системы и т. д.).

11.1.4 Избегайте вычислений в определении ОАГ ОАГ написаны на Python, что обеспечивает значительную гибкость. Однако недостаток такого подхода состоит в том, что Airflow необходимо выполнить файл Python, чтобы получить соответствующий ОАГ. Более того, чтобы улавливать любые изменения, которые вы могли внести в  ОАГ, Airflow должен перечитывать файл через регулярные промежутки времени и  синхронизировать все изменения его внутреннего состояния. Как вы понимаете, повторный анализ файлов ОАГ может привести к  проблемам, если какой-либо из них будет долго загружаться. Это может произойти, например, если вы выполняете длительные или тяжелые вычисления при определении ОАГ. Листинг 11.19

Выполнение вычислений в определении ОАГ (неэффективно)

... Такое долгое вычисление будет task1 = PythonOperator(...) происходить каждый раз при анализе ОАГ my_value = do_some_long_computation() task2 = PythonOperator(op_kwargs={"my_value": my_value}) ...

Такая реализация заставит Airflow выполнять do_some_long_com­ putation каждый раз при загрузке файла ОАГ, блокируя весь процесс анализа до тех пор, пока не будет завершено вычисление. Один из способов избежать этой проблемы – отложить вычисление до выполнения задачи, для которой требуется вычисляемое значение. Листинг 11.20

Выполнение вычислений внутри задач (более эффективно)

def _my_not_so_efficient_task(value, ...): ... PythonOperator(

305

Написание чистых ОАГ task_id="my_not_so_efficient_task", ... op_kwargs={ "value": calc_expensive_value() }

Здесь значение будет вычисляться каждый раз при анализе ОАГ

) def _my_more_efficient_task(...): value = calc_expensive_value() ... PythonOperator( task_id="my_more_efficient_task", python_callable=_my_more_efficient_task, ... )

Перенося вычисление в задачу, значение будет вычисляться только при выполнении задачи

Еще один подход – написать собственный хук или оператор, который извлекает учетные данные только тогда, когда это необходимо для выполнения, но для этого может потребоваться немного больше работы. Нечто подобное может произойти в  более специфичных случаях, когда конфигурация загружается из внешнего источника данных или файловой системы в ваш основной файл ОАГ. Например, нам может понадобиться загрузить учетные данные из базы метаданных Airflow и использовать их в нескольких задачах, сделав что-то вроде этого: Листинг 11.21

Извлечение учетных данных из базы метаданных в определении ОАГ (неэффективно)

from airflow.hooks.base_hook import BaseHook api_config = BaseHook.get_connection("my_api_conn") api_key = api_config.login Этот вызов будет обращаться к базе api_secret = api_config.password данных каждый раз при анализе ОАГ task1 = PythonOperator( op_kwargs={"api_key": api_key, "api_secret": api_secret}, ... ) ...

Однако недостаток такого подхода состоит в том, что он извлекает учетные данные из базы данных каждый раз при анализе ОАГ, вместо того чтобы делать это только при его выполнении. Таким образом, мы будем видеть повторяющиеся запросы каждые 30 секунд или около того (в зависимости от конфигурации Airflow) к нашей базе данных просто для того, чтобы получить эти учетные данные. Подобных проблем с  производительностью обычно можно избежать, отложив извлечение учетных данных до выполнения функции задачи.

Глава 11

306

Листинг 11.22

Лучшие практики

Извлечение учетных данных в задаче (более эффективно)

from airflow.hooks.base_hook import BaseHook def _task1(conn_id, **context): api_config = BaseHook.get_connection(conn_id) api_key = api_config.login api_secret = api_config.password ...

Этот вызов будет обращаться к базе данных только при выполнении задачи

task1 = PythonOperator(op_kwargs={"conn_id": "my_api_conn"})

Таким образом, учетные данные извлекаются только тогда, когда задача фактически выполняется, что делает наши ОАГ намного эффективнее. Такой тип вычислений, при котором вы случайно включаете вычисления в определения ОАГ, может быть незаметным и требует бдительности, чтобы его избежать. Кроме того, иногда могут встречаться ситуации и похуже: возможно, вы не возражаете против неоднократной загрузки файла конфигурации из локальной файловой системы, но повторная загрузка из облачного хранилища или базы данных может быть менее предпочтительной.

11.1.5 Используйте фабричные функции для генерации распространенных шаблонов В некоторых случаях вы можете оказаться в ситуации, когда вам снова и снова приходится писать варианты одного и того же ОАГ. Такое часто происходит, когда вы получаете данные из связанных источников данных, с  небольшими вариациями в  исходных путях и  преобразованиях, применяемых к данным. Или у вас могут быть общие процессы обработки данных в компании, которые требуют шагов или преобразований, многие из которых одинаковые, в  результате чего они повторяются во множестве разных ОАГ. Один из эффективных способов ускорить процесс создания таких распространенных структур ОАГ  – написать фабричную функцию. Идея подобной функции заключается в том, что она принимает любую необходимую конфигурацию для соответствующих шагов и генерирует соответствующий ОАГ или набор задач (таким образом производя его, как фабрика). Например, если у нас есть общий процесс, включающий в себя извлечение данных из внешнего API и их предварительную обработку, используя заданный сценарий, можно было бы написать фабричную функцию, которая выглядит примерно так:

307

Написание чистых ОАГ

Листинг 11.23

Генерация наборов задач с помощью фабричной функции (dags / 01_task_factory.py)

Параметры, конфигурирующие задачи, которые будут созданы фабричной функцией def generate_tasks(dataset_name, raw_dir, processed_dir, preprocess_script, output_dir, dag): raw_path = os.path.join(raw_dir, dataset_name, "{ds_nodash}.json") Пути processed_path = os.path.join( к файлам, processed_dir, dataset_name, "{ds_nodash}.json" используемые ) разными output_path = os.path.join(output_dir, dataset_name, "{ds_nodash}.json") задачами fetch_task = BashOperator( Создание отдельных задач task_id=f"fetch_{dataset_name}", bash_command=f"echo 'curl http://example.com/{dataset_name}.json ➥ > {raw_path}.json'", dag=dag, ) preprocess_task = BashOperator( task_id=f"preprocess_{dataset_name}", bash_command=f"echo '{preprocess_script} {raw_path} ➥ {processed_path}'", dag=dag, ) export_task = BashOperator( task_id=f"export_{dataset_name}", bash_command=f"echo 'cp {processed_path} {output_path}'", dag=dag, ) fetch_task >> preprocess_task >> export_task

Определение зависимостей задач

return fetch_task, export_task Возвращаем первую и последнюю задачи в цепочке, чтобы мы могли связать их с другими задачами в более крупном графе (при необходимости)

Затем мы могли бы использовать эту фабричную функцию для приема нескольких таких наборов данных. Листинг 11.24

Применение функции task_factory (dags/01_task_factory.py)

import airflow.utils.dates from airflow import DAG with DAG( dag_id="01_task_factory", start_date=airflow.utils.dates.days_ago(5), schedule_interval="@daily",

Глава 11

308

Лучшие практики

) as dag: Создание наборов задач с разными for dataset in ["sales", "customers"]: значениями конфигурации generate_tasks( dataset_name=dataset, raw_dir="/data/raw", Передача экземпляра ОАГ processed_dir="/data/processed", для подключения задач к ОАГ output_dir="/data/output", preprocess_script=f"preprocess_{dataset}.py", dag=dag, )

У нас должен получиться ОАГ, похожий на тот, что показан на рис.  11.1. Конечно, для независимых наборов данных, вероятно, не имеет смысла принимать два набора данных в  одном ОАГ. Однако можно легко разделить задачи между несколькими ОАГ, вызвав фабричный метод generate_tasks из разных файлов ОАГ.

Задачи, генерируемые одним вызовом фабричной функции Задачи, созданные другим вызовом

Рис. 11.1 Генерирование повторяющихся шаблонов задач с использованием фабричных методов. Этот пример содержит несколько наборов практически идентичных задач, которые были сгенерированы из объекта конфигурации с помощью метода task_factory

Также можно писать фабричные методы для генерации целых ОАГ, как показано в листинге 11.25. Листинг 11.25

Генерация ОАГ с помощью фабричной функции (dags/02_dag_factory.py)

def generate_dag(dataset_name, raw_dir, processed_dir, preprocess_script): with DAG( dag_id=f"02_dag_factory_{dataset_name}", start_date=airflow.utils.dates.days_ago(5), schedule_interval="@daily", ) as dag: Генерация экземпляра ОАГ raw_file_path = ... в рамках фабричной функции processed_file_path = ... fetch_task = BashOperator(...) preprocess_task = BashOperator(...) fetch_task >> preprocess_task return dag

Написание чистых ОАГ

309

Это позволит вам сгенерировать ОАГ, используя следующий скромный файл. Листинг 11.26

Применение фабричной функции Создание ОАГ с использованием фабричной функции

...

dag = generate_dag( dataset_name="sales", raw_dir="/data/raw", processed_dir="/data/processed", preprocess_script="preprocess_sales.py", )

Данный подход также можно использовать для создания нескольких ОАГ с помощью файла ОАГ. Листинг 11.27

...

Создание нескольких ОАГ с помощью фабричной функции (dags/02_dag_factory.py)

Создание нескольких ОАГ с разными конфигурациями. Обратите внимание, что мы должны присвоить каждому ОАГ уникальное имя в глобальном пространстве имен (используя трюк с глобальными переменными), чтобы убедиться, что они не перезаписывают друг друга

for dataset in ["sales", "customers"]: globals()[f"02_dag_factory_{dataset}"] = generate_dag( dataset_name=dataset, raw_dir="/data/raw", processed_dir="/data/processed", preprocess_script=f"preprocess_{dataset}.py", )

Этот цикл, по сути, генерирует несколько объектов ОАГ в глобальной области видимости файла ОАГ, который Airflow использует как отдельные ОАГ (рис. 11.2). Обратите внимание, что объектам нужны разные имена переменных, чтобы они не перезаписывали друг друга; иначе Airflow увидит только один экземпляр ОАГ (последний экземпляр, сгенерированный циклом). Мы рекомендуем соблюдать осторожность при генерации нескольких ОАГ из одного файла, поскольку это может сбивать с толку, если вы этого не ожидаете. (Более общий паттерн – наличие одного файла для каждого ОАГ.) Таким образом, этот шаблон лучше всего использовать экономно, когда он обеспечивает значительные преимущества. Фабричные методы могут быть особенно эффективны в сочетании с файлами конфигурации или другими формами внешней конфигурации. Это позволяет, например, создать фабричную функцию, которая принимает файл YAML в качестве входных данных и генерирует ОАГ на основе конфигурации, определенной в этом файле. Таким образом, можно сконфигурировать повторяющиеся ETL-процессы, используя набор относительно простых файлов конфигурации, которые

Глава 11

310

Лучшие практики

также могут редактироваться пользователями, которые мало знакомы с Airflow.

ОАГ, созданные фабричной функцией

Рис. 11.2 Несколько ОАГ, сгенерированных из одного файла с помощью фабричной функции (это скриншот из пользовательского интерфейса Airflow, показывающий несколько ОАГ, которые были созданы из одного файла с использованием фабричной функции)

11.1.6 Группируйте связанные задачи с помощью групп задач Сложные ОАГ, особенно те, что созданы с использованием фабричных методов, часто бывает трудно понять из-за сложной структуры или огромного количества задействованных задач. Чтобы помочь привести в порядок эти сложные структуры, у Airflow 2 есть новая функция – группы задач. Группы задач позволяют (визуально) группировать наборы задач на более мелкие группы, что упрощает контроль и понимание структуры ОАГ. Группы задач можно создавать с  помощью диспетчера контекста TaskGroup. Например, если взять предыдущий пример фабрики задач, то можно сгруппировать задачи, созданные для каждого набора данных: Листинг 11.28

Использование TaskGroups для визуальной группировки задач (dags/03_task_groups.py)

... for dataset in ["sales", "customers"]: with TaskGroup(dataset, tooltip=f"Tasks for processing {dataset}"): generate_tasks( dataset_name=dataset, raw_dir="/data/raw", processed_dir="/data/processed", output_dir="/data/output", preprocess_script=f"preprocess_{dataset}.py", dag=dag, )

Этот код группирует набор задач, созданных для наборов данных sales и customers, в две группы, по одной для каждого набора. В ре-

311

Написание чистых ОАГ

зультате сгруппированные задачи отображаются в виде единой группы в веб-интерфейсе, которую можно расширить, щелкнув по соответствующей группе (рис. 11.3).

Свернутая группа задач (состояние по умолчанию) Развернутая группа задач, после того как по ней щелкнули мышью

Рис. 11.3 Группы задач могут помочь организовать ОАГ путем группировки связанных задач. Изначально группы задач изображены в виде отдельных узлов в ОАГ, как показано для группы задач customers на этом рисунке. Нажав на группу задач, вы можете развернуть ее и просмотреть задачи в группе, как показано здесь для группы задач sales. Обратите внимание, что группы задач могут быть вложенными. Это означает, что у вас могут быть группы задач внутри других групп

Хотя это относительно простой пример, группы задач могут быть довольно эффективны для уменьшения количества визуального шума в более сложных случаях. Например, в нашем ОАГ для тренировки моделей машинного обучения из главы 5 мы создали значительное количество задач для извлечения и очистки данных о погоде и продажах из разных систем. Группы задач позволяют снизить очевидную сложность этого ОАГ за счет группировки задач, связанных с продажами и погодой, в соответствующие группы. Это позволяет нам скрыть сложность задач выборки набора данных по умолчанию, но по-прежнему увеличивать масштаб отдельных задач, когда это необходимо (рис. 11.4).

Сложность этих задач можно скрыть внутри группы задач

Рис. 11.4 Использование групп задач для организации ОАГ из главы 5. Здесь группировка задачи для наборов по извлечению и очистке данных о погоде и продажах помогает значительно упростить сложные структуры задач, участвующих в этих процессах (пример кода приведен в dags/04_task_groups_umbrella.py)

312

Глава 11

Лучшие практики

11.1.7 Создавайте новые ОАГ для больших изменений После запуска ОАГ база данных планировщика содержит экземпляры запусков этого ОАГ. Значительные изменения в нем, например в дате начала и/или интервале планирования, могут сбить планировщика с толку, поскольку изменения больше не соответствуют предыдущим запускам ОАГ. Точно так же удаление или переименование задач не позволит вам получить доступ к истории этих задач из пользовательского интерфейса, поскольку они больше не будут соответствовать текущему состоянию ОАГ и, следовательно, не будут отображаться. Лучший способ избежать этих проблем – создавать новую версию ОАГ всякий раз, когда вы решите внести большие изменения в существующие ОАГ, поскольку в настоящее время Airflow не поддерживает версионированные ОАГ. Это можно сделать, создав новую версионированную копию ОАГ (т. е. dag_v1, dag_v2) перед внесением желаемых изменений. Таким образом, вы можете избежать путаницы в планировщике, сохранив при этом предыдущую информацию о доступной старой версии. Поддержка версионированных ОАГ, возможно, будет добавлена в будущем, поскольку в сообществе есть сильное желание сделать это.

11.2 Проектирование воспроизводимых задач Помимо кода, одна из самых больших проблем при написании хорошего ОАГ – это спроектировать свои задачи таким образом, чтобы их можно было воспроизводить. Это означает, что вы можете с  легкостью перезапустить задачу и ожидать того же результата – даже если задача выполняется в разные моменты времени. В этом разделе мы пересмотрим некоторые ключевые идеи и дадим несколько советов по обеспечению соответствия ваших задач этой парадигме.

11.2.1 Всегда требуйте, чтобы задачи были идемпотентными Как кратко обсуждалось в главе 3, одно из ключевых требований хорошей задачи заключается в том, что задача должна быть идемпотентной, то есть повторное выполнение одной и той же задачи несколько раз дает тот же общий результат (при условии что сама задача не изменилась). Идемпотентность  – важная особенность, потому что существует множество ситуаций, когда вы или Airflow можете повторно запустить задачу. Например, вам может понадобиться выполнить повторный запуск некоторых ОАГ после изменения кода, что приведет к повторному выполнению данной задачи. В других случаях Airflow сам может повторно запустить невыполненную задачу, используя механизм повтора, хотя данная задача все же успела записать некоторые результаты до того, как дала сбой. В обоих случаях нужно избежать созда-

Проектирование воспроизводимых задач

313

ния нескольких копий одних и тех же данных в своем окружении или столкновения с другими нежелательными побочными эффектами. Идемпотентность обычно можно обеспечить, потребовав перезаписи всех выходных данных при повторном запуске задачи, поскольку это гарантирует, что любые данные, записанные в  предыдущем запуске, будут перезаписаны новым результатом. Точно так же вы должны внимательно рассмотреть другие побочные эффекты задачи (например, отправку уведомлений и т.  д.) и  определить, нарушают ли они ее идемпотентность каким-либо пагубным образом.

11.2.2 Результаты задачи должны быть детерминированными Задачи могут быть воспроизводимы только в  том случае, если они детерминированы. Это означает, что задача всегда должна возвращать один и тот же вывод для данного ввода. Напротив, недетерминированные задачи не позволяют создавать воспроизводимые ОАГ, поскольку каждый запуск задачи может дать другой результат, даже с теми же входными данными. Недетерминированное поведение можно ввести разными способами: „ полагаясь на неявный порядок данных или структур данных внутри функции (например, неявное упорядочивание словаря Python или порядок строк, в  котором набор данных возвращается из базы данных, без какого-либо определенного упорядочивания); „ использованием внешнего состояния в  функции, включая случайные значения, глобальные переменные, внешние данные, хранящиеся на диске (не переданные в качестве входных данных в функцию) и т. д.; „ параллельной обработкой данных (в нескольких процессах или потоках) без явного упорядочивания результата; „ состоянием гонки в многопоточном коде; „ неправильной обработкой исключений. В целом проблем с недетерминированными функциями можно избежать, тщательно подумав об источниках недетерминированности, которые могут возникнуть в  вашей функции. Например, можно избежать недетерминированности в  упорядочивании набора данных, применив явную сортировку. Точно так же можно избежать проблем с алгоритмами, которые включают случайность, задав случайное начальное число перед выполнением соответствующей операции.

11.2.3 Проектируйте задачи с использованием парадигмы функционального программирования Один из подходов, который может помочь в создании задач, – проектировать их в  соответствии с  парадигмой функционального программирования. Функциональное программирование  – это подход

314

Глава 11

Лучшие практики

к  созданию компьютерных программ, которые, по сути, рассматривают вычисления как применение математических функций, избегая изменения состояния и  изменяемых данных. Кроме того, функции в языках функционального программирования обычно должны быть чистыми. Это означает, что они могут вернуть результат, но в остальном не имеют побочных эффектов. Одно из преимуществ такого подхода состоит в том, что результат чистой функции в языке функционального программирования всегда должен быть одинаковым для заданного ввода. Такие чистые функции обычно являются идемпотентными и детерминированными – а  это именно то, чего мы и пытаемся добиться для наших задач в функциях Airflow. Поэтому сторонники парадигмы функционального программирования утверждают, что аналогичные подходы можно применять к приложениям обработки данных, вводя парадигму функционального дата-инжиниринга. Подходы к функциональному дата-инжинирингу, по сути, направлены на применение тех же концепций языков функционального программирования к задачам дата-инжиниринга. Сюда входит требование, согласно которому задачи не должны иметь побочных эффектов и у них всегда должен быть одинаковый результат, если применять их к одному и тому же набору входных данных. Главное преимущество соблюдения этих ограничений заключается в том, что они имеют большое значение для достижения идеалов идемпотентных и детерминированных задач, что делает наши ОАГ и задачи воспроизводимыми. Для получения дополнительной информации обратитесь к  этому посту в блоге Максима Бошмана (одной из ключевых фигур, стоящих за Airflow), который представляет собой отличное введение в концепцию функционального дата-инжиниринга для конвейеров обработки данных в Airflow: http://mng.bz/2eqm.

11.3 Эффективная обработка данных ОАГ, предназначенные для обработки больших объемов данных, должны быть тщательно спроектированы, чтобы иметь возможность делать это наиболее эффективным способом. В этом разделе мы обсудим пару советов относительно того, как эффективно обрабатывать большие объемы данных.

11.3.1 Ограничьте объем обрабатываемых данных Хотя это и  может показаться несколько банальным, лучший способ эффективно обрабатывать данные – ограничить обработку до минимального количества данных, необходимых для получения желаемого результата. Ведь обработка данных, которые в любом случае будут отброшены, – пустая трата времени и ресурсов. На практике это означает, что нужно тщательно продумать источники данных и  определить, все ли они необходимы. Если говорить

315

Эффективная обработка данных

о  необходимых наборах данных, посмотрите, можно ли уменьшить их размер, отбросив неиспользуемые строки или столбцы. Агрегирование на ранней стадии также может существенно повысить производительность, поскольку правильное агрегирование может значительно уменьшить размер промежуточного набора данных, тем самым сократив объем работ, которые необходимо выполнить. В качестве примера представьте себе процесс обработки данных, в котором нам нужно рассчитать ежемесячные объемы продаж нашей продукции для определенной клиентской базы (рис.  11.5). А. Неэффективная обработка с использованием полного набора данных

Фильтрация и агрегирование

Продажи Объединяем наборы данных через соединение

Агрегируем продажи по каждому покупателю Объединенный набор данных

Клиенты B. Более эффективная обработка за счет ранней фильтрации

Агрегирование Агрегированные продажи

Продажи

Объединяем наборы данных через соединение Агрегируем продажи по каждому покупателю

Фильтрация нужных клиентов

Клиенты

Избранные клиенты

Рис. 11.5 Пример неэффективного процесса обработки данных по сравнению с более эффективным: (A) один из способов рассчитать совокупные продажи на каждого покупателя – сначала полностью объединить оба набора данных, а затем агрегировать продажи до необходимой степени детализации и выполнить фильтрацию по интересующим нас клиентам. Хотя это и может дать желаемый результат, это не очень эффективно из-за потенциально большого размера объединенной таблицы; (B) более эффективный подход состоит в том, чтобы сначала отфильтровать или агрегировать таблицы продаж и клиентов до минимально необходимой детализации, что позволяет объединить два небольших набора данных

316

Глава 11

Лучшие практики

В этом примере мы можем рассчитать совокупные продажи, сначала объединив два набора данных, за которыми следует этап агрегации и  фильтрации, на котором мы агрегируем продажи до требуемой степени детализации, а затем фильтруем их по нужным нам клиентам. Недостаток такого подхода заключается в том, что мы соединяем два потенциально больших набора данных, чтобы получить результат, а  это может потребовать значительных затрат времени и ресурсов. Более эффективный подход – продвинуть этапы фильтрации и агрегирования вперед, что позволит уменьшить размер наборов данных о  клиентах и  продажах перед их объединением. Потенциально это позволяет значительно уменьшить размер объединенного набора данных, делая вычисления намного эффективнее. Хотя, возможно, это немного абстрактный пример, мы сталкивались с большим количеством аналогичных случаев, когда интеллектуальная агрегация или фильтрация наборов данных (как в отношении строк, так и столбцов) значительно повысила производительность задействованных процессов обработки данных. Таким образом, может быть полезно внимательно посмотреть на свои ОАГ и определить, обрабатывают ли они больше данных, чем это необходимо.

11.3.2 Инкрементальная загрузка и обработка Во многих случаях нельзя уменьшить размер набора данных с  помощью умной агрегации или фильтрации. Однако, особенно если речь идет о наборах данных временных рядов, вы также часто можете ограничить объем обработки, который вам нужно выполнять каждый раз, используя инкрементальную обработку данных. Основная идея инкрементальной обработки (которую мы затронули в главе 3) состоит в том, чтобы разделить данные на (временные) разделы и обрабатывать их индивидуально в каждом из запусков ОАГ. Таким образом вы ограничиваете объем данных, обрабатываемых при каждом запуске размером соответствующего раздела, который обычно намного меньше размера всего набора данных. Однако, добавляя результаты каждого запуска в качестве приращений к набору выходных данных, вы все равно будете наращивать весь набор с течением времени (рис. 11.6). Преимущество проектирования инкрементального процесса состоит в том, что ошибка в одном из запусков не потребует от вас повторного выполнения анализа для всего набора данных; если запуск оказался неудачным, можно просто выполнить его снова. Конечно, в некоторых случаях вам все же может потребоваться провести анализ всего набора данных. Тем не менее вы все равно можете получить выгоду от инкрементальной обработки, выполнив этапы фильтрации и агрегирования в инкрементальной части процесса и проведя крупномасштабный анализ уменьшенного результата.

317

Эффективная обработка данных А. Обработка всего набора данных

B. Инкрементальная обработка Запуск 1

Монолитный запуск

Запуск 2

Совокупный результат

Пакеты данных

Запуск 3 Пакеты данных

Инкрементные результаты

Рис. 11.6 Иллюстрация монолитной обработки (A), при которой весь набор данных обрабатывается при каждом запуске, по сравнению с инкрементальной обработкой (B), при которой набор данных анализируется инкрементными партиями по мере поступления данных

11.3.3 Кешируйте промежуточные данные В большинстве рабочих процессов обработки данных ОАГ состоят из нескольких этапов, каждый из которых выполняет дополнительные операции с данными, полученными из предыдущих этапов. Преимущество такого подхода (как было описано ранее в этой главе) состоит в том, что он разбивает ОАГ на четкие, атомарные этапы, которые легко повторить, если мы обнаружим ошибки. Однако, чтобы иметь возможность повторно выполнить какиелибо шаги в таком ОАГ, нужно убедиться, что данные, необходимые для этих шагов, легко доступны (рис. 11.7). В противном случае мы не сможем повторно запустить какой-либо отдельный этап без повторного запуска всех его зависимостей, что частично сводит на нет цель разделения нашего рабочего процесса на задачи.

API

Извлечение записей

Предварительная обработка Необработанные данные

Предварительно обработанные данные

Рис. 11.7 Сохранение промежуточных данных из задач гарантирует, что каждую задачу можно легко запустить повторно независимо от других задач. В этом примере облачное хранилище (обозначенное бакетом) используется для хранения промежуточных результатов задач fetch/preprocess

Недостаток кеширования промежуточных данных состоит в  том, что на это может потребоваться чрезмерный объем памяти, если у вас несколько промежуточных версий больших наборов данных. В этом случае можно подумать о том, чтобы пойти на компромисс: вы будете хранить промежуточные наборы данных только в течение ограниченного периода времени, что даст вам время для повторного выполнения отдельных задач, если вы столкнетесь с проблемами в недавних запусках.

318

Глава 11

Лучшие практики

Тем не менее мы рекомендуем, чтобы у вас под рукой всегда была самая «сырая» версия ваших данных (например, данные, которые вы только что получили из внешнего API). Это гарантирует, что у вас всегда будет копия данных в том виде, в котором они были на тот момент. Данный тип снимка, говоря об управлении версиями данных, часто недоступен в исходных системах, таких как базы данных (при условии что снимки не были сделаны) или API. Хранение такой необработанной копии данных гарантирует, что вы всегда сможете обработать их по мере необходимости, например всякий раз, когда вы вносите изменения в свой код или если возникают проблемы во время начальной обработки.

11.3.4 Не храните данные в локальных файловых системах При обработке данных в рамках задания Airflow у вас может возникнуть соблазн записать промежуточные данные в  локальную файловую систему. Это особенно актуально при использовании операторов, которые запускаются локально, таких как операторы Bash и Python, поскольку локальная файловая система легко доступна изнутри них. Однако недостаток записи файлов в  локальные системы состоит в том, что нижестоящие задачи могут не иметь к ним доступа, потому что Airflow запускает свои задачи в нескольких воркерах. Это позволяет ему запускать несколько задач параллельно. В  зависимости от развертывания это может означать, что две зависимые задачи (т.  е. одна задача ожидает данные от другой) могут запускаться на двух разных воркерах, у которых нет доступа к файловым системам друг друга, поэтому они не могут получить доступ к файлам. Самый простой способ избежать подобной проблемы – использовать общее хранилище, к которому можно одинаково просто получить доступ из любого воркера Airflow. Например, обычно используется паттерн для записи промежуточных файлов в общий бакет облачного хранилища, доступ к которому можно получить из каждого воркера, используя одни и те же URL-адреса файлов и учетные данные. Точно так же общие базы данных или другие системы хранения могут использоваться для хранения данных, в зависимости от типа данных.

11.3.5 Переложите работу на внешние/исходные системы В целом Airflow по-настоящему эффективен, когда применяется в качестве инструмента оркестровки, а  не использует воркеры для выполнения фактической обработки данных. Например, при небольших наборах данных обычно можно обойтись загрузкой данных непосредственно в  воркеры с  помощью оператора PythonOperator. Однако для больших наборов данных это может стать проблемой, поскольку они будут требовать от вас запуска воркеров на все более крупных машинах. В таких случаях можно получить гораздо большую производительность от небольшого кластера Airflow, переложив вычисления или за-

Управление ресурсами

319

просы на внешние системы, которые лучше всего подходят для данного типа работы. Например, при запросе данных из базы данных можно сделать свою работу более эффективной, направляя всю необходимую фильтрацию или агрегацию в саму систему базы данных, вместо того чтобы получать данные локально и выполнять вычисления в Python в воркере. Точно так же в случае приложений с большими данными обычно можно повысить производительность, используя Airflow для выполнения вычислений во внешнем кластере Spark. Ключевой момент здесь состоит в том, что изначально Airflow разрабатывался как инструмент оркестровки, поэтому вы получите лучшие результаты, если будете использовать его таким образом. Другие инструменты, как правило, лучше подходят для выполнения фактической обработки данных, поэтому обязательно используйте их для этого, давая им возможность продемонстрировать свои сильные стороны.

11.4 Управление ресурсами При работе с большими объемами данных можно запросто перегрузить свой кластер Airflow или другие системы, используемые для обработки данных. В этом разделе мы рассмотрим несколько советов по эффективному управлению ресурсами и надеемся, что вы получите ряд идей, которые помогут вам справиться с подобными проблемами.

11.4.1 Управление параллелизмом с помощью пулов При параллельном выполнении множества задач можно столкнуться с ситуациями, когда нескольким задачам требуется доступ к одному и тому же ресурсу. Это может привести к быстрой перегрузке указанного ресурса, если он не предназначен для такого рода параллелизма. Среди примеров можно упомянуть общие ресурсы, такие как база данных или система графического процессора, но это также могут быть кластеры Spark, если, например, вы хотите ограничить количество заданий, выполняемых в данном кластере. Airflow позволяет контролировать количество задач, имеющих доступ к  данному ресурсу, с  помощью пулов ресурсов, где каждый пул содержит фиксированное количество слотов, которые предоставляют доступ к соответствующему ресурсу. Отдельные задачи, которым необходим доступ к  ресурсу, можно назначить пулу ресурсов, по сути сообщая планировщику Airflow, что ему необходимо получить слот из пула, прежде чем он сможет запланировать соответствующую задачу. Пул ресурсов можно создать, перейдя в раздел Admin > Pools (Администратор > Пулы) в  пользовательском интерфейсе Airflow. Это представление покажет вам обзор пулов, которые были определены внутри Airflow (рис. 11.8). Чтобы создать новый пул ресурсов, нажмите Create (Создать). В новом экране (рис. 11.9) вы можете ввести на-

Глава 11

320

Лучшие практики

звание и описание нового пула ресурсов наряду с количеством слотов, которые хотите ему назначить. Количество слотов определяет степень параллелизма для пула ресурсов. Это означает, что пул с 10 слотами позволит 10 задачам одновременно обращаться к соответствующему ресурсу.

Названия пулов

Количество слотов в каждом пуле

Статистика пула

Рис. 11.8 Обзор пулов ресурсов Airflow в веб-интерфейсе

Название пула Количество слотов для этого пула

Рис. 11.9 Создание нового пула ресурсов в веб-интерфейсе Airflow

Чтобы ваши задачи использовали новый пул ресурсов, необходимо назначить его при создании задачи. Листинг 11.29

Назначение определенного пула ресурсов задаче

PythonOperator( task_id="my_task", ... pool="my_resource_pool" )

Таким образом, Airflow проверит, доступны ли еще какие-либо слоты в my_resource_pool перед планированием задачи в данном запуске. Если пул все еще содержит свободные слоты, планировщик потребует

Управление ресурсами

321

пустой слот (уменьшив количество доступных слотов на один) и запланирует выполнение задачи. Если свободных слотов в  пуле нет, планировщик отложит планирование задачи до тех пор, пока не появится доступный слот.

11.4.2 Обнаружение задач с длительным временем выполнения с помощью соглашений об уровне предоставления услуг и оповещений В некоторых случаях выполнение задач или ОАГ может занять больше времени, чем обычно, из-за непредвиденных проблем с данными, ограниченных ресурсов и т. д. Airflow позволяет отслеживать поведение задач с помощью механизма SLA (service-level agreement – соглашение об уровне предоставления услуг). Эта функция дает возможность назначать тайм-ауты ОАГ или задачам, и в этом случае Airflow предупредит вас, если какая-либо из ваших задач или ОАГ не соответствует соглашению (т.  е. занимает больше времени, чем указано в соглашении). На уровне ОАГ можно назначить тайм-аут, передав default_args аргумент sla. Листинг 11.30

Назначаем тайм-аут всем задачам в ОАГ (dags/05_sla_misses.py)

from datetime import timedelta default_args = { "sla": timedelta(hours=2), ... } with DAG( dag_id="...", ... default_args=default_args, ) as dag: ...

Применяя SLA на уровне ОАГ, Airflow будет проверять результат каждой задачи после ее выполнения, чтобы определить, превышено ли время начала или окончания задачи (по сравнению со временем запуска ОАГ). В случае превышения Airflow сгенерирует оповещение, уведомляющее пользователей о том, что произошло. После создания оповещения Airflow продолжит выполнение остальной части ОАГ, генерируя аналогичные оповещения для других задач, у которых отмечено превышение. По умолчанию несоблюдения соглашения записываются в базу метаданных Airflow. Их можно просмотреть с помощью веб-интерфейса

Глава 11

322

Лучшие практики

в разделе Browse > SLA misses (Просмотр > Несоблюдения соглашения об уровне предоставления услуг). Письма с  оповещениями также отправляются на адрес электронной почты, определенный в ОАГ (с  использованием аргумента email), предупреждая пользователей, что для соответствующей задачи SLA было превышено. Вы также можете определить собственные обработчики, передав ОАГ функцию обработчика с помощью параметра sla_miss_callback. Листинг 11.31

Определяем пользовательский обработчик (dags/05_sla_misses.py)

def sla_miss_callback(context): send_slack_message("Missed SLA!") ... with DAG( ... sla_miss_callback=sla_miss_callback ) as dag: ...

Также можно указать SLA на уровне задачи, передав оператору задачи аргумент sla. Листинг 11.32

Назначение SLA определенным задачам

PythonOperator( ... sla=timedelta(hours=2) )

Этот код обеспечивает выполнение SLA только для соответствующих задач. Однако важно отметить, что Airflow по-прежнему будет сравнивать время окончания задачи со временем запуска ОАГ при соблюдении SLA, а  не время начала задачи. Это связано с  тем, что в Airflow эти соглашения всегда определяются относительно времени запуска ОАГ, а не отдельных задач.

Резюме Принятие общих соглашений о стилях наряду с вспомогательными инструментами проверки соблюдения стандарта оформления кода и  форматирования может значительно повысить читабельность кода вашего ОАГ. „ Фабричные методы позволяют эффективно создавать повторяющиеся ОАГ или структуры задач, фиксируя различия между экземплярами в небольших объектах или файлах конфигурации. „

Резюме

323

Идемпотентные и  детерминированные задачи являются ключом к  созданию воспроизводимых задач и  ОАГ, которые легко запускать повторно и применять к ним обратное заполнение. Концепции функционального программирования могут помочь вам разработать задачи с этими характеристиками. „ Процессы обработки данных можно реализовать эффективно, если тщательно продумать, как обрабатываются данные (т. е. обработка в  соответствующих системах, ограничение количества загружаемых данных и использование инкрементальной загрузки) и путем кеширования наборов промежуточных данных в  доступных файловых системах, которые доступны в воркерах. „ Вы можете управлять доступом к  своим ресурсам в  Airflow или ограничивать его с помощью пулов ресурсов. „ Задачи или ОАГ с длительным временем выполнения можно обнаружить и  пометить с  помощью соглашений об уровне предоставления услуг. „

12

Эксплуатация Airflow в промышленном окружении

Эта глава рассказывает: о планировщике Airflow; о настройке Airflow для горизонтального масштабирования с помощью разных исполнителей; „ о визуальном мониторинге статуса и производительности Airflow; „ об отправке оповещений при сбое задачи. „ „

В большинстве предыдущих глав мы рассматривали различные части Airflow с точки зрения программиста. Цель данной главы – изучить Airflow с точки зрения эксплуатации. Предполагается общее понимание таких концепций, как архитектура (распределенного) программного обеспечения, журналирование, мониторинг и оповещение. Однако знаний никаких специальных технологий не требуется.

325

Архитектура Airflow

Конфигурация Airflow В этой главе мы часто упоминаем конфигурацию Airflow. Она интерпретируется в следующем порядке предпочтения: 1 2 3 4 5

переменная окружения (AIRFLOW__[SECTION]__[KEY]); переменная окружения команды (AIRFLOW__[SECTION]__[KEY]_CMD); в airflow.cfg; команда в airflow.cfg; значение по умолчанию.

Всякий раз, когда речь идет о параметрах конфигурации, мы будем демонстрировать вариант 1. Например, возьмем элемент конфигурации web_server_port из раздела webserver. Он будет продемонстрирован как AIRFLOW__WEBSERVER__WEB_SERVER_PORT. Чтобы найти текущее значение любого элемента конфигурации, можно прокрутить вниз страницу Configurations (Конфигурации) в пользовательском интерфейсе Airflow до таблицы Running Configuration (Текущая конфигурация), где показаны все параметры конфигурации, их текущее значение и какой из пяти вариантов был использован для настройки конфигурации.

12.1 Архитектура Airflow В минимальном варианте Airflow состоит из трех компонентов (рис. 12.1): „ веб-сервер; „ планировщик; „ база данных.

Веб-сервер

База данных

Планировщик

ОАГ

Рис. 12.1 Самая простая архитектура Airflow

Веб-сервер и планировщик – это процессы Airflow. База данных – отдельная служба, которую вы должны предоставить Airflow для хранения метаданных с веб-сервера и планировщика. Папка с определениями ОАГ должна быть доступна планировщику.

Веб-сервер и развертывание ОАГ в Airflow 1 В Airflow 1 файлы ОАГ должны быть доступны как для веб-сервера, так и для планировщика. Это усложняет развертывание, поскольку использование файлом несколькими машинами или процессами – нетривиальная задача.

Глава 12 Эксплуатация Airflow в промышленном окружении

326

В Airflow 2 ОАГ записываются в базу данных в сериализованном формате. Веб-сервер читает этот формат из базы данных, и ему не требуется доступ к файлам ОАГ. Сериализация ОАГ стала возможной начиная с  Airflow версии 1.10.10, хотя это необязательно. Чтобы активировать сериализацию ОАГ в  Airflow 1 (только для версии 1.10.10 или выше), необходимо задать значение True для следующих переменных:  

AIRFLOW__CORE__STORE_DAG_CODE=True; AIRFLOW__CORE__STORE_SERIALIZED_DAGS=True.

Веб-сервер отвечает за визуальное отображение информации о текущем состоянии конвейеров и  позволяет пользователю выполнять определенные действия, такие как запуск ОАГ. Планировщик несет ответственность за: 1 анализ файлов ОАГ (т. е. читает их, извлекает фрагменты и сохраняет их в базе метаданных); 2 определение задач, которые нужно выполнить, и  размещение этих задач в очередь. Мы более подробно рассмотрим обязанности планировщика в разделе 12.1.3. Airflow можно установить разными способами: с  одной машины (что требует минимальных усилий для настройки, но это не масштабируемый вариант), на несколько машин (что требует дополнительной подготовки, но этот вариант обладает горизонтальной масштабируемостью). В Airflow различные режимы выполнения настраиваются по типу исполнителя. На момент написания этой книги существовало четыре типа исполнителей: „ SequentialExecutor (по умолчанию); „ LocalExecutor; „ CeleryExecutor; „ KubernetesExecutor. Тип исполнителя можно настроить, задав для переменной окружения AIRFLOW _CORE_ EXECUTOR один из типов исполнителей из списка (табл. 12.1). Посмотрим, как функционируют эти четыре исполнителя. Таблица 12.1 Обзор режимов исполнителей Airflow Исполнитель

Является ли распределенным SequentialExecutor Нет LocalExecutor Нет CeleryExecutor

Да

KubernetesExecutor Да

Насколько легко Хорошо подходит для его установить Очень просто Демонстрации и тестирования Просто Достаточно неплох при работе на одной отдельной машине Умеренная Если нужно масштабировать, сложность используя несколько машин Сложно Если вы знакомы с Kubernetes и предпочитаете вариант настройки с использованием контейнеров

Архитектура Airflow

327

12.1.1 Какой исполнитель мне подходит? SequentialExecutor – самый простой исполнитель, который вы получаете автоматически с Airflow. Как следует из названия, он выполняет задачи последовательно, в основном используется для тестирования и демонстрационных целей и будет запускать задачи довольно медленно. Он будет работать только на одной машине. Следующий исполнитель – это LocalExecutor, который не ограничивается одной задачей за раз, а может запускать несколько задач параллельно. Он регистрирует задачи для запуска в очереди вида FIFO (англ. first in, first out – «первым пришёл – первым ушёл»), которые рабочие процессы читают и  выполняют. По умолчанию LocalExecu­ tor может запускать до 32 параллельных процессов (это число можно настроить). Если вы хотите распределить свои рабочие нагрузки на несколько машин, у вас есть два варианта: CeleryExecutor и KubernetesExecutor. Такое распределение может выполняться по разным причинам: вы исчерпали лимит ресурсов одной машины, вам нужна избыточность, запуская задания на нескольких машинах, или вы просто хотите ускорить выполнение рабочих нагрузок за счет распределения работы по нескольким машинам. CeleryExecutor применяет Celery (https://docs.celeryproject.org/ en/stable/) в  качестве механизма постановки задач в  очередь для выполнения, а воркеры читают и обрабатывают задачи из очереди. С точки зрения пользователя он работает так же, как и LocalExecu­ tor, отправляя задачи в  очередь, а  воркеры читают задачи, которые нужно обработать, из очереди. Однако главное отличие состоит в том, что все компоненты могут работать на разных машинах, распространяя рабочую нагрузку. В настоящее время Celery поддерживает RabbitMQ, Redis и  AWS SQS для механизма постановки в  очередь (в  Celery это называется брокер). Celery также поставляется с  инструментом мониторинга под названием Flower для проверки состояния системы Celery. Celery – это библиотека Python, поэтому она прекрасно интегрируется с Airflow. Например, команда airflow celery worker фактически запускает воркер Celery. Единственная реальная внешняя зависимость для этой настройки – это механизм постановки в очередь. Наконец, KubernetesExecutor, как следует из названия, запускает рабочие нагрузки, используя Kubernetes (https://kubernetes.io). Для этого требуется установка и настройка кластера Kubernetes, на котором будет запускаться Airflow, а исполнитель интегрируется с API Kubernetes для распределения задач. Kubernetes – это решение де-факто для запуска контейнеризированных рабочих нагрузок. Это подразумевает, что каждая задача в ОАГ Airflow выполняется в модуле Kubernetes. Kubernetes легко настраивается и масштабируется и часто уже используется в компаниях; поэтому многие с удовольствием применяют Kubernetes в сочетании с Airflow.

328

Глава 12 Эксплуатация Airflow в промышленном окружении

12.1.2 Настройка базы метаданных для Airflow Все, что происходит в Airflow, регистрируется в базе данных, которую мы также называем базой метаданных в  Airflow. Сценарий рабочего процесса состоит из нескольких компонентов, которые планировщик интерпретирует и сохраняет в базе метаданных. Airflow выполняет все операции с  базой данных с  помощью SQLAlchemy, ORM-фреймворка на языке Python, для удобной записи объектов Python непосредственно в  базу данных без необходимости вручную записывать SQL-запросы. В  результате внутреннего использования SQLAlchemy только поддерживаемые им базы данных также поддерживаются Airflow. Из всех поддерживаемых баз данных Airflow рекомендует использовать PostgreSQL или MySQL. Также можно применять SQLite, но только в сочетании с Se­ quentialExecutor, поскольку она не поддерживает параллельную запись и поэтому не подходит для рабочей системы. Однако она очень удобна для тестирования и разработки благодаря простой настройке. Без какой-либо конфигурации выполнив команду airflow db init, вы создаете базу данных SQLite в $AIRFLOW_HOME/airflow.db. Если вы хотите настроить рабочую систему и работать с MySQL или Postgres, то сначала должны отдельно создать базу данных. Далее нужно предоставить Airflow информацию о  базе данных, задав значение для переменной окружения AIRFLOW__CORE__SQL_ALCHEMY_CONN. Значение этого элемента конфигурации должно быть указано в  формате URI (protocol://[username:password@]host[:port]/path). См. следующие примеры: „ MySQL: mysql://username:password@localhost:3306/airflow; „ PostgreSQL: postgres://username:password@localhost:5432/airflow. Интерфейс командной строки Airflow предоставляет три команды для настройки базы данных: „ airflow db init: создает схему Airflow в пустой базе данных; „ airflow db reset: очищает существующую базу данных и создает новую. Это деструктивная операция! „ airflow db upgrade: применяет недостающие обновления схемы базы данных (если вы обновили версию Airflow) к базе данных. Выполнение этой команды на уже обновленной схеме базы данных не приведет ни к  какому действию, и,  следовательно, ее можно безопасно выполнять несколько раз. В  случае если ни одна база данных не была инициализирована, эффект будет таким же, как и при использовании команды airflow db init. Обратите внимание, однако, что в отличие от airflow db init она не создает подключения по умолчанию. Выполнение любой из этих команд даст примерно следующий вывод: Листинг 12.1

Инициализация базы метаданных Airflow

$ airflow db init DB: sqlite:////home/airflow/airflow.db

Архитектура Airflow

329

[2020-03-20 08:39:17,456] {db.py:368} INFO – Creating tables INFO [alembic.runtime.migration] Context impl SQLiteImpl. INFO [alembic.runtime.migration] Will assume non­transactional DDL. ... Running upgrade ­> e3a246e0dc1, current schema ... Running upgrade e3a246e0dc1 ­> 1507a7289a2f, create is_encrypted ...

То, что вы видите, – это вывод Alembic, еще одного фреймворка, используемого для миграции баз данных, написанного на Python. Каждая строка в листинге 12.1 – это вывод миграции одной-единственной базы данных. При обновлении до более новой версии Airflow, содержащей миграции базы данных (в примечаниях к выпуску указано, содержит ли новая версия обновления базы данных), необходимо также обновить соответствующую базу данных. Выполняя команду airflow db upgrade, вы проверяете, на каком этапе миграции находится ваша текущая база данных, и применяете этапы миграции, которые были добавлены в новом выпуске. На данном этапе у вас есть полнофункциональная база данных Airflow, и  вы можете выполнить команды airflow webserver и  airflow scheduler. При открытии веб-сервера по адресу http://localhost:8080 вы увидите много примеров ОАГ и подключений (рис. 12.2).

Рис. 12.2 По умолчанию Airflow загружает примеры ОАГ (и подключений, которые здесь не отображаются)

Эти примеры могут пригодиться во время разработки, но, вероятно, нежелательны для рабочей системы. Их можно исключить, задав для переменной окружения AIRFLOW__CORE__LOAD_EXAMPLES значение False. Однако после перезапуска планировщика и веб-сервера вы, вероятно, будете удивлены, по-прежнему наблюдая ОАГ и подключения. Причина состоит в  том, что когда вы задаете для вышеуказанной переменной значение False, то тем самым даете Airflow указание не загружать примеры ОАГ (не относится к подключениям!), и Airflow их не перезагружает. Однако уже загруженные ОАГ остаются в базе данных и не удаляются. Такое же поведение применяется к подключени-

330

Глава 12 Эксплуатация Airflow в промышленном окружении

ям по умолчанию, которые можно исключить, задав для переменной окружения AIRFLOW__CORE__LOAD_DEFAULT_CONNECTIONS значение False. Учитывая это, «чистую» (т. е. без примеров) базу данных можно получить, выполнив следующие шаги: 1 установите Airflow; 2 задайте для переменной окружения AIRFLOW__CORE__LOAD_EXAM­ PLES значение False; 3 задайте для переменной окружения AIRFLOW__CORE__LOAD_DE­ FAULT_CONNECTIONS значение False; 4 выполните команду airflow db init.

12.1.3 Присмотримся к планировщику Чтобы понять, как и когда выполняются задачи, подробнее рассмотрим планировщик. Планировщик выполняет несколько задач: „ анализ файлов ОАГ и  сохранение извлеченной информации в базе данных; „ определение того, какие задачи готовы к выполнению, и их размещение в очереди; „ извлечение и выполнение задач в очереди. Airflow выполняет все задачи в ОАГ в рамках задания. Хотя классы заданий являются внутренними по отношению к  Airflow, запущенные задания можно просмотреть в его пользовательском интерфейсе. Планировщик также запускается в  задании, хотя это и  особое задание, а именно SchedulerJob. Все задания можно просмотреть в пользовательском интерфейсе Airflow в разделе Browse > Jobs (Просмотр > Задания) (рис. 12.3). Задания, обратное заполнение которых выполнено с помощью интерфейса командной строки, запускаются в BackfillJob

Операторы ОАГ запускаются в LocalTaskJob

Планировщик запускается в одном задании SchedulerJob

Рис. 12.3 Планировщик, обычные задачи и задачи обратного заполнения запускаются в рамках задания в Airflow. Все вакансии можно просмотреть в пользовательском интерфейсе Airflow

Архитектура Airflow

331

SchedulerJob делает три вещи. Во-первых, он отвечает за анализ файлов ОАГ и сохранение извлеченной информации в базе данных. Рассмотрим этот момент подробнее.

процессор оаг Планировщик Airflow периодически обрабатывает файлы Python в  каталоге ОАГ (каталог, заданный AIRFLOW__CORE__DAGS_FOLDER). Это означает, что даже если в файл ОАГ не было внесено никаких изменений1, он периодически проверяет каждый файл и сохраняет найденные ОАГ в базе метаданных Airflow, потому что вы можете создавать динамические ОАГ (эта структура изменений на основе внешнего источника в Airflow), в то время как код остается прежним. В качестве примера можно привести ОАГ, в  котором считывается файл YAML и на основе его содержимого создаются задачи. Чтобы работать с изменениями в динамических ОАГ, планировщик периодически обрабатывает файлы. Обработка ОАГ требует вычислительных мощностей. Чем больше вы повторно обрабатываете файлы, тем быстрее будет идти работа с  изменениями, но за счет увеличения мощности процессора. Если вы знаете, что ваши ОАГ не изменяются динамически, то можно увеличить интервалы по умолчанию, чтобы уменьшить нагрузку на процессор, ничего не опасаясь. Интервал обработки ОАГ связан с четырьмя конфигурациями (см. табл. 12.2). Таблица 12.2

Параметры конфигурации Airflow, связанные с обработкой ОАГ

Элемент конфигурации AIRFLOW__SCHEDULER__ PROCESSOR_POLL_ INTERVAL AIRFLOW__SCHEDULER__ MIN_FILE_PROCESS_ INTERVAL AIRFLOW__SCHEDULER__ DAG_DIR_LIST_INTERVAL

AIRFLOW__SCHEDULER__ PARSING_PROCESSES

Описание Время ожидания после завершения цикла планировщика. Внутри цикла (помимо других операций) осуществляет анализ ОАГ, поэтому чем меньше это число, тем быстрее будет выполняться анализ Минимальный интервал обработки файлов (по умолчанию 0). Обратите внимание: нет гарантии, что файлы будут обрабатываться с этим интервалом; это всего лишь нижняя граница, а не фактический интервал Минимальное время обновления списка файлов в папке ОАГ (по умолчанию 300). Уже перечисленные файлы хранятся в памяти и обрабатываются с другим интервалом. Обратите внимание, что данный параметр – это нижняя граница, а не фактический интервал Максимальное количество процессов (не потоков), которое используется для анализа всех файлов ОАГ. Обратите внимание, что данный параметр – это нижняя граница, а не фактическое количество процессов

Оптимальная конфигурация для вашей системы зависит от количества ОАГ, их размера (то есть сколько времени требуется процессо1

В то время как в  сообществе Airflow продолжаются дискуссии по поводу того, чтобы сделать анализ ОАГ событийно-ориентированным, путем прослушивания изменений в файлах и явной настройки ОАГ для повторной обработки, если это необходимо, что могло бы облегчить использование ЦП планировщиком, на момент написания этой книги такой возможности пока не существует.

332

Глава 12 Эксплуатация Airflow в промышленном окружении

ру для их вычисления) и доступных ресурсов на машине, на которой запущен планировщик. Все интервалы определяют границу того, как часто следует выполнять процесс; время от времени значение интервала сравнивается, но возможно, например, что DAG_DIR_LIST_INTER­ VAL проверяется через 305 секунд, в то время как значение составляет 300 секунд. AIRFLOW__SCHEDULER__DAG_DIR_LIST_INTERVAL особенно полезно для уменьшения значения. Если вы часто добавляете новые ОАГ и ждете их появления, проблему можно решить, уменьшив это значение. Вся обработка ОАГ происходит в рамках цикла while True, в котором Airflow повторяет серию шагов для обработки файлов снова и снова. В файлах журнала вы увидите вывод обработки: /logs/dag_processor_ manager/dag_processor_manager.log. Листинг 12.2

Пример вывода диспетчера процессора ОАГ

================================================================= DAG File Processing Stats File Path PID Runtime # DAGs # Errors Last Runtime Last Run ­­­­­­­­­­­ ­­­ ­­­­­­­ ­­­­­­ ­­­­­­­­ ­­­­­­­­­­­­ ­­­­­­­­­­­­ .../dag1.py 1 0 0.09s ... 18:55:15 .../dag2.py 1 0 0.09s ... 18:55:15 .../dag3.py 1 0 0.10s ... 18:55:15 .../dag4.py 358 0.00s 1 0 0.08s ... 18:55:15 .../dag5.py 359 0.07s 1 0 0.08s ... 18:55:15 ================================================================= ... – Finding 'running' jobs without a recent heartbeat ... – Failing jobs without heartbeat after 2020-12-20 18:50:22.255611 ... – Finding 'running' jobs without a recent heartbeat ... – Failing jobs without heartbeat after 2020-12-20 18:50:32.267603 ... – Finding 'running' jobs without a recent heartbeat ... – Failing jobs without heartbeat after 2020-12-20 18:50:42.320578

Обратите внимание, что эта статистика обработки файлов выводится не с  каждой итерацией, а  каждые X секунд, которые заданы в  качестве значения для AIRFLOW__SCHEDULER__PRINT_STATS_INTERVAL (по умолчанию 30 секунд). Также обратите внимание, что отображаемая статистика представляет информацию из последнего запуска, а не результаты последнего количества секунд PRINT_STATS_INTERVAL.

пЛанировщик заданий Планировщик отвечает за определение того, какие экземпляры задачи могут быть выполнены. Цикл while True периодически проверяет для каждого экземпляра задачи, выполняется ли набор условий, например (среди прочего) удовлетворены ли все вышестоящие зависимости, достигнут ли конец интервала, успешно ли запущен экземпляр задачи в предыдущем ОАГ, если для depends_on_past задано значение True, и так далее. Всякий раз, когда экземпляр задачи соответствует

Архитектура Airflow

333

всем условиям, он устанавливается в  запланированное состояние, а это означает, что планировщик решил, что он удовлетворяет всем условиям и готов к выполнению. Еще один цикл в  планировщике определяет другой набор условий, при которых задачи переходят из запланированного в состояние очереди. Здесь условия включают в себя (среди прочего) проверку на предмет того, достаточно ли открытых слотов и  имеют ли одни задачи приоритет над другими (с учетом аргумента priority_weight). После выполнения всех этих условий планировщик помещает команду в очередь для запуска задачи и задает для состояния экземпляра задачи значение queued. Это означает, что после того, как экземпляр задачи был помещен в очередь, планировщик больше не несет за него ответственности. На данном этапе ответственность за задачи теперь лежит на исполнителе, который будет читать экземпляр задачи из очереди и запускать задачу в воркере. ПРИМЕЧАНИЕ Планировщик задач отвечает за задачи вплоть до помещения их в очередь. После задача становится обязанностью исполнителя, который будет запускать ее. Тип очереди и  способ обработки экземпляра задачи, после того как она была помещена в  очередь, содержится в  процессе, который называют исполнитель. Эту часть планировщика можно настроить различными способами, начиная от одного процесса на одной машине и заканчивая несколькими процессами, распределенными по нескольким машинам, как описано в разделе 12.1.1.

испоЛнитеЛь задач Как правило, исполнитель задачи будет ждать, пока планировщик разместит экземпляры задач для выполнения в очереди. После помещения в очередь исполнитель извлекает экземпляр задачи из очереди и выполняет его. Airflow регистрирует каждое изменение состояния в базе метаданных. Сообщение, помещенное в очередь, содержит несколько деталей экземпляра задачи. В исполнителе выполнение задач означает создание нового процесса для задачи, которую нужно запустить, чтобы Airflow не отключился, если что-то пойдет не так. В  новом процессе он выполняет команду airflow tasks для запуска одного экземпляра задачи, как показано в следующем примере (используется LocalExecutor). Листинг 12.3

Команда, выполняемая для любой заданной задачи

➥ airflow tasks run [dag_id] [task_id] [execution date] –local –pool [pool id] ­sd [dag file path] For example: ➥ airflow tasks run chapter12_task_sla sleeptask 2020­04­04T00:00:00+00:00 ­­local ­­pool default_pool ­sd /..../dags/chapter12/task_sla.py

Глава 12 Эксплуатация Airflow в промышленном окружении

334

Прямо перед выполнением команды Airflow регистрирует состояние экземпляра задачи как запущенное в  базе метаданных. После этого он выполняет задачу и  периодически проверяет, отправляя контрольный сигнал в эту базу. Контрольный сигнал – это еще один цикл while True, в котором Airflow выполняет следующие действия: проверяет, завершена ли задача; если она завершена и код завершения равен нулю, то задача выполнена успешно; „ если она завершена и код завершения не равен нулю, то задача не выполнена; „ если она не завершена, – регистрируем контрольный сигнал и ждем X секунд. Это значение задается с помощью переменной окружения AIRFLOW__ SCHEDULER__JOB_HEARTBEAT_SEC (по умолчанию 5); – повторяем.

„ „

Для успешной задачи данный процесс повторяется определенное количество раз, пока задача не будет завершена. Если ошибок не произошло, состояние задачи меняется на успешное. Идеальная последовательность выполнения задачи изображена на рис. 12.4. Планировщик Планировщик заданий

Процессор ОАГ ОАГ

Новый экземпляр задачи

По расписанию

Исполнитель задач

В очереди

В состоянии запуска

Успешно

Рис. 12.4 Идеальный поток и состояние задачи, за которую отвечают компоненты планировщика. Пунктирная линия обозначает полную ответственность планировщика. При запуске режима SequentialExecutor/LocalExecutor это единый процесс. CeleryExecutor и KubernetesExecutor запускают исполнитель задач в отдельных процессах, предназначенных для масштабирования на нескольких машинах

12.2 Установка исполнителей Есть много способов установить и настроить Airflow; следовательно, нецелесообразно разговаривать обо всех в  этой книге. Однако мы продемонстрируем основные элементы, необходимые для подготовки каждого исполнителя к работе. Как уже объяснялось в разделе 12.1, исполнитель является частью планировщика Airflow. Процессор ОАГ и планировщик задач можно запустить только одним способом, выполнив команду airflow sched­ uler. Однако исполнителя задач можно установить разными спосо-

335

Установка исполнителей

бами, начиная от одного процесса на одной машине и  заканчивая несколькими процессами на нескольких машинах для повышения производительности и/или избыточности. Тип исполнителя задается с помощью переменной окружения AIR­ FLOW__CORE__EXECUTOR, с использованием одного из следующих значений: „ SequentialExecutor (по умолчанию); „ LocalExecutor; „ CeleryExecutor; „ KubernetesExecutor. Правильность установки любого исполнителя можно проверить, запустив ОАГ. Если какая-либо задача переходит в состояние выполнения, это означает, что она прошла цикл планирования, постановки в очередь и выполнения и ей занимается исполнитель.

12.2.1 Настройка SequentialExecutor Исполнителем по умолчанию в  Airflow является SequentialExecu­ tor (рис. 12.5). Исполнитель задач запускается в одном подпроцессе, в рамках которого выполняются задачи одна за другой, поэтому это самый медленный метод выполнения задач. Однако он удобен для тестирования, потому что не требует настройки.

Подпроцесс Веб-сервер

База данных

Планировщик

ОАГ

Рис. 12.5 При использовании SequentialExecutor все компоненты должны работать на одной машине

SequentialExecutor работает с базой данных SQLite. При выполнении команды airflow db init без какой-либо конфигурации вы инициализируете базу данных SQLite в каталоге $AIRFLOW_HOME, который представляет собой единственный файл airflow.db. После этого запускаем два процесса: „ airflow scheduler; „ airflow webserver.

12.2.2 Настройка LocalExecutor Настройка Airflow с помощью LocalExecutor не сильно отличается от настройки SequentialExecutor (рис. 12.6). Его архитектура похожа на SequentialExecutor, только здесь имеется несколько подпроцессов, поэтому задачи могут выполняться параллельно, и, таким образом, он выполняется быстрее. Каждый подпроцесс выполняет одну задачу, и подпроцессы можно запускать параллельно.

336

Глава 12 Эксплуатация Airflow в промышленном окружении

Подпроцесс Подпроцесс Подпроцесс Планировщик Веб-сервер

База данных

… Подпроцесс

ОАГ

Рис. 12.6 При использовании LocalExecutor все компоненты могут работать на отдельной машине. Однако все подпроцессы, созданные планировщиком, выполняются на одной машине

Кроме того, SequentialExecutor привязан к базе данных SQLite, в то время как все остальные исполнители могут работать с более сложными базами данных, такими как MySQL и PostgreSQL, что обеспечивает лучшую производительность. Чтобы настроить LocalExecutor, задайте для переменной окружения AIRFLOW__CORE__EXECUTOR значение LocalExecutor. Планировщик может порождать максимальное количество подпроцессов, настроенных AIRFLOW__CORE__PARALLELISM (по умолчанию их 32). С технической точки зрения это не новые процессы, а скорее процессы, отходящие от родительского процесса (планировщика). Есть и другие способы ограничить количество параллельных задач (например, уменьшив размер пула по умолчанию, AIRFLOW__CORE__ DAG_CONCURRENCY или AIRFLOW__CORE__MAX_ACTIVE_RUNS_PER_DAG). Что касается базы данных, установите Airflow с дополнительными зависимостями для соответствующей системы базы данных: „ MySQL: pip install apache­airflow[mysql] ; „ PostgreSQL: pip install apache­airflow[postgres]. LocalExecutor прост в  настройке и  может обеспечить достойную производительность. Система ограничена ресурсами машины планировщика. Если LocalExecutor больше вам не подходит (например, с точки зрения производительности или избыточности), то следующий логический этап – это CeleryExecutor и KubernetesExecutor, которые мы рассмотрим в разделах 12.2.3 и 12.2.4.

12.2.3 Настройка CeleryExecutor CeleryExecutor создан на базе проекта Celery. Celery предоставляет фреймворк для рассылки сообщений воркерам через систему очередей (рис. 12.7). Как видно на рис. 12.7, и планировщику, и воркерам Celery требуется доступ к ОАГ и базе данных. Что касается базы данных, то это не проблема, поскольку к ней можно подключиться с помощью клиента.

337

Установка исполнителей

А вот что касается папки ОАГ, здесь могут возникнуть сложности с настройкой. Вы делаете ОАГ доступными для всех машин либо через общую файловую систему, либо используя контейнеризацию, когда ОАГ встраиваются в  образ с  помощью Airflow. При использовании контейнеризации любое изменение в коде ОАГ приведет к повторному развертыванию программного обеспечения.

Веб-сервер

Воркер Celery

Подпроцесс База данных

Подпроцесс Подпроцесс … Подпроцесс

Очередь

Воркер Celery

Подпроцесс Подпроцесс Подпроцесс … Подпроцесс

Планировщик

ОАГ

Воркер Celery

Подпроцесс Подпроцесс Подпроцесс … Подпроцесс

Рис. 12.7 В CeleryExecutor задачи распределяются между несколькими машинами, на которых работают воркеры Celery. Воркеры ждут поступления задач в очередь

Чтобы начать работу с Celery, сначала установите Airflow с дополнительными зависимостями Celery и выполните настройку исполнителя: „ pip install apache­airflow[celery]; „ AIRFLOW__CORE__EXECUTOR=CeleryExecutor. На момент написания книги Celery использует Redis, RabbitMQ и AWS SQS для работы с очередями сообщений. В Celery очередь называется брокером. Установка брокера выходит за рамки этой книги, но после инсталляции вы должны задать его, используя для этого переменную окружения AIRFLOW__CELERY__BROKER_URL: „ Redis: AIRFLOW__CELERY__BROKER_URL=redis://localhost:6379/0; „ RabbitMQ: AIRFLOW__CELERY__BROKER_URL=amqp://user:pass@loc­ alhost:5672//. Соответствующий формат URI см. в  документации к  программному обеспечению, которое вы используете. BROKER_URL позволяет

338

Глава 12 Эксплуатация Airflow в промышленном окружении

планировщику отправлять сообщения в очередь. Чтобы воркеры Celery могли обмениваться данными с  базой метаданных Airflow, также нужно настроить переменную AIRFLOW__CELERY__RESULT_BACKEND. В  Celery префикс db+ используется для обозначения подключения к базе данных: „ MySQL: AIRFLOW__CELERY__RESULT_BACKEND=db+mysql://user:pass@ localhost/airflow; „ PostgreSQL: AIRFLOW__CELERY__RESULT_BACKEND=db+postgresql:// user:pass@localhost/airflow. Убедитесь, что папка ОАГ также доступна на машинах, где функционируют воркеры, по тому же пути, как настроено в  AIRFLOW__ CORE__DAGS_FOLDER. После этого вы должны быть готовы: 1 запустить веб-сервер Airflow; 2 запустить планировщик; 3 запустить воркер Celery. airflow celery worker – это небольшая команда-оболочка, запускающая воркер Celery. Теперь все должно быть готово и работать. ПРИМЕЧАНИЕ Чтобы проверить установку, можно запустить ОАГ вручную. Если какая-либо задача завершится успешно, она пройдет через все компоненты установки CeleryExecutor, а это означает, что все работает, как и было задумано. Чтобы отслеживать состояние системы, можно настроить Flower, веб-инструмент мониторинга, в  котором можно проверять (среди прочего) воркеры, задачи и  состояние всей системы Celery. Интерфейс командной строки Airflow также предоставляет удобную команду для запуска Flower: airflow celery flower. По умолчанию Flower работает на порту 5555. После запуска перейдите по адресу http://localhost: 5555 (рис. 12.8).

Рис. 12.8

Панель управления Flower показывает состояние всех воркеров Celery

339

Установка исполнителей

В первом представлении Flower мы видим количество зарегистрированных воркеров Celery, их статус и информацию высокого уровня о количестве задач, обработанных каждым воркером. Как узнать, хорошо ли работает система? Самая полезная страница в  интерфейсе Flower – это страница мониторинга на рис. 12.9, где показано состояние системы на нескольких графиках.

Успешные задачи указывают на то, что Celery может читать и выполнять задачи из очереди и что установка CeleryExecutor прошла успешно

Задачи, поставленные в очередь, готовы к обработке, но на данный момент у Celery недостаточно рабочих слотов

Рис. 12.9 Вкладка мониторинга Flower показывает графики, что помогает получить представление о производительности системы Celery

Из двух распределенных режимов исполнителя, предлагаемых Airflow (Celery и Kubernetes), CeleryExecutor легче настроить с нуля, потому что вам нужно настроить только еще один дополнительный компонент: очередь. Воркеры Celery и панель управления Flower интегрированы в Airflow, что упрощает настройку и масштабирование выполнения задач на нескольких машинах.

12.2.4 Настройка KubernetesExecutor И последний, но не менее важный исполнитель – это KubernetesEx­ ecutor. Чтобы его использовать, задайте для переменной окружения AIRFLOW__CORE__EXECUTOR значение KubernetesExecutor. Как следует из

340

Глава 12 Эксплуатация Airflow в промышленном окружении

названия, данный тип исполнителя привязан к Kubernetes – наиболее часто используемой системе для запуска и управления программным обеспечением в контейнерах. Многие компании запускают свое программное обеспечение на Kubernetes, поскольку контейнеры предоставляют изолированное окружение, которое гарантирует, что то, что вы разрабатываете у себя на компьютере, также будет работать и в рабочей системе. Поэтому сообщество Airflow заявило о своем твердом намерении использовать Kubernetes для запуска Airflow. С точки зрения архитектуры KubernetesExecutor выглядит так, как показано на рис. 12.10.

Задача Airlfow Задача Airlfow Планировщик

База данных Веб-сервер

ОАГ

Задача Airlfow … Задача Airlfow

Рис. 12.10 В случае с KubernetesExecutor все задачи выполняются в поде Kubernetes. Хотя в Kubernetes нет необходимости запускать веб-сервер, планировщик и базу данных, при использовании KubernetesExecutor будет разумно сделать это

При работе с KubernetesExecutor полезно иметь какие-либо предварительные знания Kubernetes. Kubernetes может быть большим и сложным. Однако KubernetesExecutor использует лишь небольшую часть всех доступных компонентов на платформе Kubernetes. На данный момент полезно знать, что под – это самая маленькая рабочая единица в Kubernetes, которая может запускать один или несколько контейнеров. В  контексте Airflow одна задача будет выполняться в одном поде. Под создается каждый раз при выполнении задачи. Когда планировщик решает запустить задачу, он отправляет запрос на создание пода в API Kubernetes, который затем создает под, на котором работает контейнер Airflow, используя команду airflow tasks run ..., как показано в листинге 12.3 (без учета ряда деталей). Kubernetes сам отслеживает состояние пода. С настройками других исполнителей между физическими машинами было четкое разделение. В Kubernetes все процессы выполняются

341

Установка исполнителей

в подах, где их можно распределить на нескольких машинах, хотя они также могут работать и на одной машине. С точки зрения пользователя, процессы выполняются в подах, и пользователь не знает о базовых машинах. Самый распространенный способ развертывания программного обеспечения в  Kubernetes  – использовать Helm, менеджер пакетов для Kubernetes. Различные сторонние диаграммы Helm для Airflow доступны в Helm Hub, хранилище диаграмм Helm. На момент написания книги официальная диаграмма для Airflow доступна в главной ветви проекта Airflow, однако ее еще нет в  открытых репозиториях Helm. Поэтому минимальные инструкции по установке (при условии что у вас есть функционирующий кластер Kubernetes и Helm версии 3 или выше) выглядят следующим образом: Листинг 12.4

Установка Airflow в Kubernetes с помощью диаграммы Helm

Скачиваем исходный код Airflow, Создаем пространство имен содержащий диаграмму Helm Airflow в Kubernetes $ curl ­OL https://github.com/apache/airflow/archive/master.zip $ unzip master.zip Скачиваем указанные версии $ kubectl create namespace airflow зависимых диаграмм Helm $ helm dep update ./airflow­master/chart $ helm install airflow ./airflow­master/chart ­­namespace airflow NAME: airflow LAST DEPLOYED: Wed Jul 22 20:40:44 2020 NAMESPACE: airflow STATUS: deployed REVISION: 1 TEST SUITE: None NOTES: Thank you for installing Airflow!

Устанавливаем диаграмму

Your release is named airflow. ➥ You can now access your dashboard(s) by executing the following command(s) and visiting the corresponding port at localhost in your browser: Airflow dashboard: ➥ kubectl port­forward svc/airflow­webserver 8080:8080 ­­namespace airflow

Одна из самых сложных частей настройки KubernetesExecutor  – определить, как распространять файлы ОАГ между процессами Airflow. Для этого есть три метода: 1 использовать ОАГ в подах с помощью PersistentVolume; 2 извлечь последний код ОАГ из репозитория; 3 встроить ОАГ в образ Docker. Сперва выясним, как развернуть код ОАГ без использования контейнеров. Все процессы Airflow должны иметь доступ к  каталогу,

Глава 12 Эксплуатация Airflow в промышленном окружении

342

содержащему файлы ОАГ. На одной машине это не так уж сложно: запустите все процессы Airflow и пропишите путь к каталогу, содержащему код ОАГ. Однако при запуске процессов Airflow на разных машинах все уже не так просто. В  этом случае вам нужен способ сделать код ОАГ доступным для обеих машин, например используя общую файловую систему (рис. 12.11). Планировщик Airlfow

Общая файловая система

Машина для разработки

Задача Airflow

Рис. 12.11 Без контейнеров разработчик помещает код в репозиторий, после чего нужно сделать так, чтобы код был доступен для обоих процессов Airflow

Однако получить код в общей файловой системе – задача непростая. Файловая система предназначена для хранения и  извлечения файлов на носителе, а не для предоставления интерфейса в сети для простого обмена файлами. Обмен файлами через интернет будет обрабатываться приложением, работающим на том же компьютере, где смонтирована файловая система. Выражаясь более практично, скажем, у вас есть общая файловая система, такая как NFS (сетевая файловая система) для обмена файлами между планировщиком Airflow и машинами, где функционируют воркеры. Вы пишете код у себя на компьютере, но не можете копировать файлы напрямую в NFS, потому что у нее нет интерфейса для доступа в сеть. Чтобы скопировать файлы в NFS, нужно смонтировать ее на машине, и файлы должны записываться туда через приложение, работающее на том же компьютере, например FTP (рис. 12.12).

Машина для разработки

FTP Контроль версий

Планировщик Airlfow

NFS

Задача Airflow

Рис. 12.12 Файлы нельзя записывать напрямую в NFS, потому что у нее нет интернет-интерфейса. Для отправки и получения файлов по сети можно было бы использовать FTP, чтобы хранить файлы на том же компьютере, куда монтируется NFS

На рис.  12.12 разработчик или система непрерывной интеграции и доставки могут отправить код Airflow в систему Airflow через FTP-

343

Установка исполнителей

сервер, который работает на одной из машин. Через FTP-сервер NFSтом должен быть доступен для системы непрерывной интеграции и доставки, чтобы отправлять файлы ОАГ и делать их доступными для всех машин Airflow. Что делать, если такой механизм не подходит? Это распространенная проблема по разным причинам, например из-за ограничений безопасности или сети. В  этом случае часто используется следующее решение – скачать код из машины Airflow, используя «DAG puller». Листинг 12.5

Скачивание последней версии кода с помощью DAG puller

import datetime

Игнорируем все зависимости; всегда запускаем задачи

from airflow.models import DAG from airflow.operators.bash import BashOperator dag = DAG( dag_id="dag_puller", default_args={"depends_on_past": False}, start_date=datetime.datetime(2020, 1, 1), schedule_interval=datetime.timedelta(minutes=5), catchup=False, ) fetch_code = BashOperator( task_id="fetch_code", bash_command=( "cd /airflow/dags && " "git reset --hard origin/master" ), dag=dag, )

Скачиваем последний код каждые пять минут

Требует установки и настройки Git

С помощью DAG puller последний код из главной ветви загружается в  машину Airflow каждые пять минут (рис.  12.13). Это, очевидно, приводит к задержке между кодом в главной ветке и развертыванием кода в Airflow, но иногда это наиболее практичное решение.

Машина для разработки

Рис. 12.13

Задача Airflow

NFS

Планировщик Airlfow

Контроль версий

Используя DAG puller, вы извлекаете код из машины Airflow

Теперь, когда мы знаем проблемы и потенциальные решения для развертывания ОАГ с  Airflow в  распределенной настройке, посмотрим, как использовать ОАГ с подами в Kubernetes.

344

Глава 12 Эксплуатация Airflow в промышленном окружении

испоЛьзование оаг с подами с помощью PersistentVolume PersistentVolume  – это абстракция Kubernetes поверх хранилища, позволяющая монтировать общие тома в контейнеры без необходимости знать базовую технологию, такую как NFS, Azure File Storage или AWS EBS. Один из самых сложных моментов – настроить конвейер непрерывной интеграции и доставки, где код ОАГ передается в общий том, который обычно не предоставляет готовых функций для прямой отправки на общий том. Чтобы разрешить совместное использование ОАГ с PersistentVolume, задайте для элемента конфигурации AIRFLOW__KUBER­ NETES__DAGS_VOLUME_CLAIM значение в виде имени тома (запрос на выделение тома в Kubernetes) в поде Airflow. Код ОАГ необходимо скопировать на том либо с  помощью метода, показанного на рис.  12.12, либо используя способ, показанный в листинге 12.5. Решение может зависеть от выбранного вами типа тома, поэтому обратитесь к документации по Kubernetes для получения дополнительной информации о томах.

извЛекаем посЛедний код оаг из репозитория с помощью initконтейнера синхронизации с Git Конфигурация Airflow содержит список настроек для извлечения репозитория Git посредством паттерна Sidecar (Прицеп) перед запуском задачи Airflow (это не полный список): „ AIRFLOW__KUBERNETES__GIT_REPO = https://mycompany.com/reposi­ tory/airflow; „ AIRFLOW__KUBERNETES__GIT_BRANCH = master; „ AIRFLOW__KUBERNETES__GIT_SUBPATH = dags; „ AIRFLOW__KUBERNETES__GIT_USER = username; „ AIRFLOW__KUBERNETES__GIT_PASSWORD = password; „ AIRFLOW__KUBERNETES__GIT_SSH_KEY_SECRET_NAME = airflow­se­ crets; „ AIRFLOW__KUBERNETES__GIT_DAGS_FOLDER_MOUNT_POINT = /opt/air­ flow/dags; „ AIRFLOW__KUBERNETES__GIT_SYNC_CONTAINER_REPOSITORY = k8s.gcr. io/git­sync; „ AIRFLOW__KUBERNETES__GIT_SYNC_CONTAINER_TAG = v3.1.2; „ AIRFLOW__KUBERNETES__GIT_SYNC_INIT_CONTAINER_NAME = git­sync­ clone. Хотя не нужно заполнять все данные, если задать значение для GIT_ REPO и учетные данные (USER + PASSWORD или GIT_SSH_KEY_SECRET_NAME), то вы активируете синхронизацию с  Git. Airflow создаст контейнер синхронизации, который извлекает код из сконфигурированного репозитория перед запуском задачи.

встраивайте оаг в образ Docker Наконец, встраивание файлов ОАГ в образ Airflow также является популярным вариантом для его неизменности; любое изменение фай-

345

Установка исполнителей

лов ОАГ приводит к созданию и развертыванию нового образа Docker, чтобы вы всегда были уверены в том, с какой версией кода вы работаете. Для сообщения KubernetesExecutor, что вы встроили файлы ОАГ в образ, задайте для переменной AIRFLOW__KUBERNETES__DAGS_IN_IMAGE значение True. Процесс сборки и развертывания теперь выглядит немного иначе (рис. 12.14). er ck

а од ек

щ

ме

з Ра Машина для разработки

аз

бр

и ен

н

да

з Со

о ие

o аD

Airflow +

Airflow +

Задача

Контроль версий

Рис. 12.14 После размещения изменений в систему управления версиями создается новый образ Docker

Создание образа Airflow вместе с  кодом ОАГ дает несколько преимуществ: „ мы точно знаем, какая версия кода сейчас развернута; „ мы можем запускать Airflow локально и в промышленном окружении; „ конфликты между новыми зависимостями обнаруживаются во время сборки, а не во время выполнения. Если увеличить масштаб сборки, то для повышения производительности предпочтительнее установить Airflow и добавить код ОАГ в два отдельных этапа: 1 зависимости установки; 2 добавьте только код ОАГ. Причина этого разделения состоит в  том, что Airflow содержит множество зависимостей, создание которых может занять несколько минут. Вероятно, вы не будете часто менять зависимости во время разработки, а в основном будете изменять код ОАГ. Чтобы избежать повторной установки зависимостей при каждом небольшом изменении, скопируйте код своего ОАГ в образ на отдельном этапе. Если ваша система непрерывной интеграции и доставки кеширует слои Docker, это можно сделать в отдельном операторе Docker, потому что вы можете быстро получить базовые слои. Если ваша система не кеширует слои Docker, то разумно будет создать один базовый образ для Airflow и зависимостей и второй образ только для добавления туда кода ОАГ. Проиллюстрируем, как последний вариант работает с двумя файлами Dockerfile1. Первый файл – это базовый файл Dockerfile. 1

Оба файла Dockerfile предназначены для демонстрационных целей.

346

Глава 12 Эксплуатация Airflow в промышленном окружении

Листинг 12.6

Пример базового файла Dockerfile

FROM apache/airflow:2.0.0­python3.8 USER root RUN apt­get update && \ apt­get install ­y gcc && \ apt­get autoremove ­y && \ apt­get clean ­y && \ rm ­rf /var/lib/apt/lists/*

На основе официального образа Airflow Пользователь по умолчанию – это непривилегированный пользователь Airflow, поэтому для установки переключитесь на root Переключитесь обратно на Airflow после установки

USER airflow COPY requirements.txt /opt/airflow/requirements.txt RUN pip install ­­user ­r /opt/airflow/requirements.txt && \ rm /opt/airflow/requirements.txt

Этот базовый файл Dockerfile начинается с  официального образа Docker для Airflow версии 2.0.0 и  устанавливает дополнительные зависимости, перечисленные в  файле requirements.txt. Наличие отдельного файла дополнительных зависимостей упрощает конвейер непрерывной интеграции и  доставки, поскольку любое изменение в этом файле всегда должно запускать повторное создание базового образа. Команда docker build ­f Dockerfile.base ­t myrepo/airflow­ base. создаст базовый образ. Листинг 12.7

Финальный пример файла Dockerfile

FROM myrepo/airflow­base:1.2.3 COPY dags/ /opt/airflow/dags/

Наличие предварительно созданного базового образа со всеми зависимостями превращает создание окончательного образа в  очень быстрый процесс, поскольку единственный необходимый шаг – это копирование файлов ОАГ. Чтобы создать его, используйте команду docker build ­t myrepo/airflow. Однако этот образ будет создаваться с каждым изменением. В зависимости от устанавливаемых зависимостей разница во времени между сборкой базового и окончательного образов может быть очень большой. Листинг 12.8

Пример файла requirements.txt

python­dotenv~=0.10.3

Разделив процесс сборки образа Docker на отдельные операторы или отдельные образы, можно значительно ускорить время сборки, поскольку в образ Docker копируются только наиболее часто изменяемые файлы (скрипты ОАГ). Более трудоемкое и полное повторное создание образа Docker будет выполняться только при необходимости.

Работа с журналами всех процессов Airflow

347

Со стороны Kubernetes убедитесь, что тег образа Airflow определен в YAML с помощью AIRFLOW__KUBERNETES__POD_TEMPLATE_FILE, или убедитесь, что для переменной AIRFLOW__KUBERNETES__WORKER_CONTAINER_ TAG в  качестве значения задан тег, который должен быть развернут подами. Если вы используете диаграмму Helm, то можете обновить развернутую версию с помощью интерфейса командной строки Helm, задав тег только что созданного образа. Листинг 12.9

Обновление развернутого образа Airflow с помощью Helm

helm upgrade airflow ./airflow­master/chart \ ­­set images.airflow.repository=yourcompany/airflow \ ­­set images.airflow.tag=1234abc

12.3 Работа с журналами всех процессов Airflow А как насчет журналирования? Все системы производят какой-то вывод, и иногда нам нужно знать, что происходит. В Airflow есть три типа журналов: „ журналы веб-сервера  – содержат информацию об активности в сети, т. е. какие запросы отправляются на веб-сервер; „ журналы планировщика  – содержат информацию обо всех действиях планировщика, включая анализ ОАГ, планирование задач и многое другое; „ журналы задач  – содержат журналы одного экземпляра задачи в каждом файле журнала. По умолчанию журналы записываются в каталог $AIRFLOW_HOME/ logs в локальной файловой системе. Журналирование настраивается различными способами. В этом разделе мы продемонстрируем вариант по умолчанию, а также покажем, как писать журналы в удаленную систему хранения в разделе 12.3.4.

12.3.1 Вывод веб-сервера Веб-сервер обслуживает статические файлы, и каждый запрос к файлу отображается в выводе веб-сервера. См. следующий пример: „ ➥ 127.0.0.1 – ­ [24/Mar/2020:16:50:45 +0100] "GET / HTTP/1.1" 302 221 "­" "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) Ap­ pleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Sa­ fari/537.36"; „ ➥ 127.0.0.1 – ­ [24/Mar/2020:16:50:46 +0100] "GET /admin/HTTP/1.1" 200 44414 "­" "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) Ap­ pleWeb­Kit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Sa­ fari/537.36";

Глава 12 Эксплуатация Airflow в промышленном окружении

348

➥ 127.0.0.1 – ­ [24/Mar/2020:16:50:46 +0100] "GET /static/boot­ strap­theme.css HTTP/1.1" 200 0 "http://localhost:8080/admin/" "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWeb­ Kit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safa­ ri/537.36". При запуске веб-сервера из командной строки вы увидите, что этот вывод будет выведен в stdout или stderr. Что делать, если вы хотите сохранить журналы после отключения веб-сервера? На веб-сервере существует два типа журналов: журналы доступа, как показано, и журналы ошибок, которые содержат не только ошибки, но и системную информацию, например: „ [2020-04-13 12:22:51 +0200] [90649] [INFO] Listening at: http:// 0.0.0.0:8080 (90649); „ [2020-04-13 12:22:51 +0200] [90649] [INFO] Using worker: sync; „ [2020-04-13 12:22:51 +0200] [90652] [INFO] Booting worker with pid: 90652. Оба типа журналов можно записать в  файл, указав параметр при запуске веб-сервера Airflow: „ airflow webserver --access_logfile [filename]; „ airflow webserver --error_logfile [filename]. Имя файла будет относиться к AIRFLOW_HOME, поэтому, если, например, задать «accesslogs.log» в качестве имени файла, то вы создадите файл: /path/to/airflow/home/accesslogs.log. „

12.3.2 Вывод планировщика По умолчанию планировщик записывает журналы в файлы, в отличие от веб-сервера. Если снова посмотреть на каталог $AIRFLOW_HOME/logs, то можно увидеть различные файлы, связанные с журналами планировщика. Листинг 12.10

Файлы журнала, сгенерированные планировщиком

. ├── dag_processor_manager │ └── dag_processor_manager.log └── scheduler └── 2020-04-14 ├── hello_world.py.log └── second_dag.py.log

Это дерево каталогов – результат обработки двух ОАГ: hello_world и  second_dag. Каждый раз, когда планировщик обрабатывает файл ОАГ, несколько строк записываются в  соответствующий файл. Эти строки – ключ к пониманию того, как работает планировщик. Посмотрим на файл hello_world.py.log.

Работа с журналами всех процессов Airflow

Листинг 12.11

349

Планировщик, читающий файлы ОАГ и создающий соответствующие ОАГ или задачи

ОАГ hello_world был получен из файла

Начинаем обработку этого файла

... Started process (PID=46) to work on /opt/airflow/dags/hello_world.py ... Processing file /opt/airflow/dags/hello_world.py for tasks to queue ... Filling up the DagBag from /opt/airflow/dags/hello_world.py ➥ ... DAG(s) dict_keys(['hello_world']) retrieved from /opt/airflow/dags/hello_world.py Создан DagRun, потому что ... Processing hello_world достигнут конец интервала ... Created ... Examining DAG run ➥ ... Skipping SLA check for because no tasks in DAG have SLAs ➥ ... Creating / updating in ORM ➥ ... Creating / updating in ORM ... Processing /opt/airflow/dags/hello_world.py took 0.327 seconds Проверяем, нужно ли отправлять пропущенные SLA-уведомления Проверяем, запущен ли ОАГ, можно ли создать соответствующие экземпляры задач с учетом их расписания и не были ли пропущены какие-либо SLA

Обработка этого файла завершена Проверяем, есть ли задачи, которые нужно создать и установить их в запланированное состояние Проверяем, нужно ли запустить какие-либо существующие экземпляры задач

Эти этапы обработки файла ОАГ, загрузки объекта ОАГ из файла и  проверки выполнения множества условий, таких как расписания, выполняются многократно и  являются частью основных функций планировщика. На основании этих журналов можно определить, работает ли планировщик должным образом. Также существует файл dag_processor_manager.log (ротация журналов выполняется при достижении показателя в 100 МБ), в котором отображается агрегированное представление (по умолчанию последние 30 секунд) того, какие файлы обработал планировщик.

12.3.3 Журналы задач Наконец, у  нас есть журналы задач, где каждый файл представляет собой одну попытку одной задачи. Листинг 12.12

Файлы журнала, созданные при выполнении задачи

. ├── hello_world Имя ОАГ Название задачи │ ├── hello Дата выполнения │ │ └── 2020-04-14T16:00:00+00:00 Номер попытки │ │ ├── 1.log │ │ └── 2.log

350

Глава 12 Эксплуатация Airflow в промышленном окружении │ ├── world │ │ └── 2020-04-14T16:00:00+00:00 │ │ ├── 1.logе │ │ └── 2.log └── second_dag └── print_context ├── 2020-04-11T00:00:00+00:00 │ └── 1.log └── 2020-04-12T00:00:00+00:00 └── 1.log

Содержимое этих файлов отражает то, что мы видим при открытии задачи в пользовательском интерфейсе веб-сервера.

12.3.4 Отправка журналов в удаленное хранилище В зависимости от настроек Airflow вам может понадобиться отправить журналы в другое место, например при запуске Airflow во временных контейнерах, в которых журналы пропадают, когда контейнер останавливается или с целью архивации. В Airflow есть функция под названием «удаленное журналирование», которая позволяет отправлять журналы в удаленную систему. На момент написания книги поддерживаются следующие удаленные системы: „ AWS S3 (требуется команда pip install apache­airflow [amazon]); „ Azure Blob Storage (требуется команда pip install apache­airflow [microsoft.azure]); „ Elasticsearch (требуется команда pip install apache­airflow [elasticsearch]); „ Google Cloud Storage (требуется команда pip install apache­air­ flow [google]). Чтобы настроить Airflow для удаленного журналирования, задайте следующие конфигурации: „ AIRFLOW__CORE__REMOTE_LOGGING=True; „ AIRFLOW__CORE__REMOTE_LOG_CONN_ID=. REMOTE_LOG_CONN_ID указывает на идентификатор подключения, содержащего учетные данные для вашей удаленной системы. После этого каждая система удаленного журналирования может читать конфигурацию для этой конкретной системы. Например, путь, куда нужно писать журналы, в Google Cloud Storage можно настроить как AIRFLOW__CORE__ REMOTE_BASE_LOG_FOLDER=gs://my­bucket/path/to/logs. Подробную информацию по каждой системе см. в документации Airflow.

12.4 Визуализация и мониторинг метрик Airflow В какой-то момент вам, возможно, понадобится узнать больше о производительности настройки Airflow. В  этом разделе мы сосредото-

Визуализация и мониторинг метрик Airflow

351

чимся на числовых данных о состоянии системы, которые называют метриками, например количество секунд задержки между постановкой задачи в очередь и фактическим выполнением задачи. В литературе по мониторингу наблюдаемость и  полное понимание системы достигаются за счет сочетания трех элементов: журналов, метрик и трассировки. Журналы (текстовые данные) рассматривались в разделе 12.3, в этом разделе мы рассмотрим метрики, а тема трассировки выходит за рамки данной книги. У каждой настройки Airflow есть свои особенности. Иногда установка бывает большой, иногда – нет. У некоторых мало ОАГ и много задач; у некоторых – много ОАГ и лишь несколько заданий. Попытку охватить в книге все возможные ситуации вряд ли можно считать практичной, поэтому мы продемонстрируем основные идеи для мониторинга Airflow, которые должны применяться к любой установке. Конечная цель – начать собирать метрики и активно использовать их в своих интересах, например как показано на рис. 12.15. Количество запущенных задач

Рис. 12.15 Пример визуализации количества запущенных задач. Здесь у параллелизма было значение по умолчанию 32, до которого иногда виден резкий скачок количества задач

12.4.1 Сбор метрик из Airflow Airflow оснащен демоном StatsD (https://github.com/statsd/statsd). Что значит оснащен? «Оснащен» в  контексте StatsD и  Airflow означает, что определенные события в Airflow приводят к отправке информации о событии, поэтому ее можно собирать, агрегировать, визуализировать или сообщать. Например, всякий раз, когда задача не выполняется, событие с именем «ti_failures» отправляется со значением 1. Это означает, что произошел сбой одной из задач.

отправка и извЛечение При сравнении систем метрик часто ведется дискуссия по поводу модели push vs pull. В случае с push-моделью метрики отправляются (push) в систему сбора метрик. В pull-модели доступ к метрикам предоставляется системой для мониторинга определенной конечной точки,

352

Глава 12 Эксплуатация Airflow в промышленном окружении

а система сбора метрик должна извлекать (pull) метрики из системы из данной конечной точки. Отправка может привести к  переполнению системы сбора метрик, когда много систем начинают отправлять большое количество метрик одновременно с системой сбора. StatsD работает с  push-моделью. Поэтому, начиная мониторинг в  Airflow, нужно настроить систему сбора, в  которую StatsD сможет отправлять свои метрики до того, как мы сможем их просмотреть.

какую систему сбора метрик выбрать? statsD – одна из множества доступных систем сбора метрик. Среди прочих можно упомянуть Prometheus и Graphite. Клиент StatsD устанавливается вместе с Airflow. Однако сервер, который будет собирать метрики, нужно настроить самостоятельно. Клиент StatsD передает метрики на сервер в определенном формате, и многие системы сбора метрик могут обмениваться компонентами, считывая форматы друг друга. Например, сервер Prometheus можно использовать для хранения метрик из Airflow. Однако метрики отправляются в формате StatsD, поэтому Prometheus нужен «перевод», чтобы понять их. Кроме того, Prometheus применяет pull-модель, тогда как StatsD применяет pushмодель, поэтому нужно установить некоего посредника, которому StatsD сможет отправлять метрики, а  Prometheus будет извлекать их, потому что Airflow не предоставляет формат метрик Prometheus, и, таким образом, Prometheus не может извлекать метрики напрямую из Airflow. Зачем все смешивать и  сочетать? В  основном потому, что Prometheus  – инструмент, который выбирают многие разработчики и  системные администраторы для сбора метрик. Он используется во многих компаниях и превосходит StatsD по многим параметрам, таким как гибкая модель данных, простота эксплуатации и интеграция практически с любой системой. Поэтому мы также предпочитаем Prometheus при работе с метриками, и продемонстрируем, как преобразовать метрики StatsD в метрики Prometheus, после чего можно будет визуализировать собранные метрики с помощью Grafana. Grafana – это удобный инструмент для визуализации метрик мониторинга. Все шаги, начиная от Airflow и заканчивая Grafana, будут выглядеть так, как показано на рис. 12.16. Размещаем метрики

Airflow

Prometheus StatsD exporter

Извлекаем метрики

Запрашиваем метрики

Prometheus

Grafana

Рис. 12.16 Программное обеспечение и шаги, необходимые для сбора и визуализации метрик из Airflow. Prometheus собирает метрики, а Grafana визуализирует их в дашбордах. Экспортер переводит метрики StatsD в формат метрик Prometheus и предоставляет их Prometheus

Визуализация и мониторинг метрик Airflow

353

Давайте настроим эту систему слева (Airflow) направо (Grafana), чтобы создать дашборд для визуализации метрик из Airflow.

12.4.2 Настройка Airflow для отправки метрик Чтобы Airflow отправлял метрики StatsD, нужно установить Airflow, используя дополнительную зависимость statsd: pip install apache­airflow[statsd]

Затем настроим место, в которое Airflow должен отправлять метрики. В  настоящее время у  нас нет системы для сбора метрик, но мы настроим ее далее в разделе 12.4.3. „ AIRFLOW__METRICS__STATSD_ON=True; „ AIRFLOW__METRICS__STATSD_HOST=localhost (значение по умолчанию); „ AIRFLOW__METRICS__STATSD_PORT=9125; „ AIRFLOW__METRICS__STATSD_PREFIX=airflow (значение по умолчанию). Что касается Airlfow, то здесь все готово. В этой конфигурации Airflow будет отправлять события на порт 9125 (по протоколу UDP).

12.4.3 Настройка Prometheus для сбора метрик Prometheus  – это программа для мониторинга систем. Она обладает широким набором функций, но, по сути, это база данных временных рядов, к  которой можно выполнять запросы с  помощью языка PromQL. Здесь нельзя вставлять данные вручную, например используя запрос INSERT INTO ..., как в случае с реляционной базой данных, но можно извлекать метрики в  базу данных. Каждые X секунд она извлекает самые последние метрики из сконфигурированных вами целей. При чрезмерной загрузке Prometheus автоматически замедляется при мониторинге целей. Однако для этого требуется обработать большое количество метрик, поэтому на данный момент этот вариант не применим. Для начала нужно установить экспортер StatsD, который переводит метрики StatsD в метрики Prometheus. Проще всего это сделать с помощью Docker. Листинг 12.13

Запуск экспортера StatsD с Docker Метрики Prometheu будут отображаться по адресу http://localhost: 9102

docker run ­d ­p 9102:9102 ­p 9125:9125/udp prom/statsd­exporter Убедитесь, что этот номер порта совпадает с портом, заданным AIRFLOW__SCHEDULER__STATSD_PORT

354

Глава 12 Эксплуатация Airflow в промышленном окружении

Если не использовать Docker, то экспортер StatsD можно скачать на странице https://github.com/prometheus/statsd_exporter/releases. Для начала можно запустить экспортер без конфигурации. Перейдите по адресу http://localhost:9102/metrics, где вы должны увидеть первые метрики Airflow. Листинг 12.14

Примеры метрик Prometheus, представленных с помощью экспортера StatsD

У каждой метрики есть такой тип, К каждой метрике по умолчанию как датчик сообщение HELP # HELP airflow_collect_dags Metric autogenerated by statsd_exporter. # TYPE airflow_collect_dags gauge airflow_collect_dags 1.019871 # HELP airflow_dag_processing_processes Metric autogenerated by statsd_exporter. # TYPE airflow_dag_processing_processes counter airflow_dag_processing_processes 35001 # HELP airflow_dag_processing_total_parse_time Metric autogenerated by statsd_exporter. # TYPE airflow_dag_processing_total_parse_time gauge airflow_dag_processing_total_parse_time 1.019871 ➥ # HELP airflow_dagbag_import_errors Metric autogenerated by statsd_exporter. # TYPE airflow_dagbag_import_errors gauge airflow_dagbag_import_errors 0 # HELP airflow_dagbag_size Metric autogenerated by statsd_exporter. # TYPE airflow_dagbag_size gauge airflow_dagbag_size 4 Метрика airflow_collect_dags в настоящее время имеет значение 1.019871. Prometheus регистрирует временную метку мониторинга вместе с этим значением

Теперь, когда мы сделали метрики доступными по адресу http://localhost: 9102, можно установить и настроить Prometheus для мониторинга этой конечной точки. Самый простой способ сделать это – еще раз использовать Docker для запуска контейнера Prometheus. Сначала нужно настроить экспортер StatsD в качестве цели в Prometheus, чтобы он знал, откуда брать метрики. Листинг 12.15

Минимальная конфигурация Prometheus

scrape_configs: Определяет задание по мониторингу метрик Prometheus – job_name: 'airflow' static_configs: – targets: ['localhost:9102'] Целевой URL-адрес задания мониторинга

Сохраните содержимое листинга 12.15 в файл, например, /tmp/prometheus.yml. Потом запустите Prometheus и смонтируйте файл. Листинг 12.16

Запуск Prometheus с Docker для сбора метрик

➥ docker run ­d ­p 9090:9090 ­v /tmp/prometheus.yml:/etc/prometheus/ prometheus.yml prom/prometheus

Визуализация и мониторинг метрик Airflow

355

Prometheus теперь запущен и  работает по адресу http://localhost: 9090. Чтобы это проверить, перейдите по адресу http://localhost:9090/ target и убедитесь, что цель Airflow доступна (рис. 12.17).

Фильтрация на предмет выявления «нездоровых» целей Prometheus

Цель Airflow «здорова»

Рис. 12.17 Если все настроено правильно, на странице целей в Prometheus должно быть отображено состояние цели Airlfow – UP. В противном случае можно считать, что с целью что-то не так

Активно работающая цель означает, что Prometheus мониторит метрики, и  мы можем приступить к  визуализации показателей в Grafana.

Модели данных метрик Модель данных Prometheus идентифицирует уникальные метрики по имени (например, task_duration) и  набор меток «ключ-значение» (например, dag_id=mydag и task_id=first_task). Это обеспечивает значительную гибкость, поскольку вы можете выбирать метрики с любой желаемой комбинацией меток, например task_duration{task_id="first_task"}, чтобы выбрать только task_duration задач с  именем «first_task». Альтернативная модель данных, встречающаяся во многих других системах метрик, таких как StatsD, основана на иерархии, где метки определены в именах метрик, разделенных точками:  

task_duration.my_dag.first_task -> 123; task_duration.my_other_dag.first_task -> 4.

Это может стать проблемой, если у вас появится желание выбрать метрику task_duration из всех задач с  именем first_task. Это одна из причин, по которой Prometheus приобрела популярность. Экспортер StatsD применяет универсальные правила к предоставленным метрикам, чтобы преобразовать их из иерархической модели, используемой StatsD, в модель меток, используемую Prometheus. Иногда правила преобразования по умолчанию работают прекрасно, а  иногда – нет, и метрика StatsD дает уникальное имя метрики в Prometheus. Например, в  метрике dag...duration, dag_id и  task_id не преобразуются автоматически в метки в Prometheus.

356

Глава 12 Эксплуатация Airflow в промышленном окружении

Хотя технически такой вариант подходит для Prometheus, он не оптимален. Таким образом, экспортер StatsD можно настроить для преобразования определенных метрик, разделенных точками, в метрики Prometheus. См. приложение C, где содержится такой конфигурационный файл. Для получения дополнительной информации обратитесь к документации по экспортеру StatsD.

12.4.4 Создание дашбордов с Grafana После сбора метрик с  помощью Prometheus последняя часть головоломки – визуализировать эти показатели на дашборде. Это должно дать нам быстрое понимание того, как функционирует система. Grafana  – основной инструмент для визуализации метрик. Самый простой способ запустить Grafana – снова использовать Docker. Листинг 12.17

Запуск Grafana с Docker для визуализации метрик

docker run ­d ­p 3000:3000 grafana/grafana

Перейдя по адресу http://localhost: 3000, вы увидите первое представление Grafana (рис. 12.18).

Рис. 12.18

Экран приветствия Grafana

Щелкните Add your first data source (Добавить свой первый источник данных), чтобы добавить Prometheus в  качестве источника данных. Вы увидите список доступных источников данных. Щелкните Prometheus, чтобы настроить его (рис. 12.19).

Визуализация и мониторинг метрик Airflow

357

Рис. 12.19 На странице «Добавить источник данных» выберите Prometheus, чтобы настроить его в качестве источника для чтения метрик

На следующем экране укажите URL-адрес Prometheus: http://localhost:9090 (рис. 12.20).

Рис. 12.20 Укажите в Grafana URL-адрес Prometheus

Когда Prometheus будет настроен в  качестве источника данных в Grafana, наступает время визуализировать первую метрику. Создайте новый дашборд и панель на этом дашборде. Вставьте следующую метрику в  поле запроса: airflow_dag_processing_total_parse_time (количество секунд, затраченных на обработку всех ОАГ). Теперь появится визуализация для этой метрики (рис. 12.21).

358

Глава 12 Эксплуатация Airflow в промышленном окружении

Добавлено больше ОАГ

Добавлено больше ОАГ

Рис. 12.21 График количества секунд для обработки всех файлов ОАГ. Мы видим две точки изменения, в которых были добавлены дополнительные файлы ОАГ. Резкий всплеск на этом графике может указывать на проблему с планировщиком Airflow или файлом ОАГ

Теперь, когда у  нас есть Prometheus и  Grafana, Airflow передает показатели экспортеру StatsD, которые в конечном итоге отображаются в Grafana. В этой настройке следует отметить два момента. Вопервых, метрики в Grafana близки к реальному времени, но здесь не идет речь о миллисекундах. Prometheus мониторит метрики с учетом интервалов (по умолчанию это одна минута, и это значение можно уменьшить), что в худшем случае вызовет одноминутную задержку. Кроме того, Grafana периодически выполняет запрос к  Prometheus (обновление запроса по умолчанию отключено), поэтому в  Grafana у нас тоже есть небольшая задержка. В целом задержка между событием в Airflow и графиком в Grafana составляет максимум минут, чего обычно более чем достаточно. Во-вторых, эта установка использует Prometheus, которая отлично подходит для мониторинга метрик и оповещения. Однако это не система отчетов, и она не хранит отдельные события. Если вы планируете сообщать об отдельных событиях в Airflow, то можете рассмотреть InfluxDB как базу данных временных рядов, поскольку она больше ориентирована на журналирование событий.

12.4.5 Что следует мониторить? Теперь, когда у нас есть настройка мониторинга, что нужно мониторить, чтобы понять, как функционирует Airflow? Начнем с того, что, когда вы что-то мониторите, необходимо отслеживать четыре основных сигнала.

задержка Сколько времени уходит на обработку служебных запросов? Подумайте, сколько времени требуется веб-серверу, чтобы ответить, или сколько времени нужно планировщику, чтобы переместить задачу из состояния очереди в состояние запуска. Эти показатели выражаются

Визуализация и мониторинг метрик Airflow

359

в виде продолжительности (например, «среднее количество миллисекунд для возврата запроса веб-сервера» или «среднее время в секундах для перевода задач из состояния очереди в состояние запуска»).

трафик Насколько востребована система? Подумайте, сколько задач ваша система Airflow должна обработать, или сколько открытых слотов пула доступно Airflow. Эти показатели обычно выражаются как среднее значение за продолжительность (например, «количество выполняемых задач в минуту» или «открытых слотов пула в секунду»).

ошибки Какие ошибки возникли? В контексте Airflow это может быть «число задач-зомби» (задач, в которых основной процесс исчез), «количество ответов на веб-сервере, чей код состояния не относится к  200» или «количество истекших задач».

насыщенность Какая часть мощности вашей системы используется? Измерение метрик машины, на которой работает Airflow, может быть хорошим индикатором, например «текущая загрузка процессора» или «количество выполняемых в  данный момент задач». Чтобы определить, насколько заполнена система, вы должны знать ее верхний предел, который иногда бывает непросто определить. Prometheus предлагает широкий спектр экспортеров, предоставляющих всевозможные метрики системы. Начните с  установки нескольких экспортеров Prometheus, чтобы узнать больше обо всех задействованных системах: „ экспортер узлов – для мониторинга компьютеров, на которых работает Airflow (ЦП, память, дисковый ввод-вывод, сетевой трафик); „ экспортер сервера PostgreSQL/MySQL  – для мониторинга базы данных; „ один из нескольких (неофициальных) экспортеров Celery – для мониторинга Celery при использовании CeleryExecutor; „ экспортер Blackbox – для опроса данной конечной точки, чтобы проверить, возвращается ли предопределенный код HTTP; „ при использовании Kubernetes, одного из многих экспортеров Kubernetes – для мониторинга ресурсов Kubernetes. См. документацию по мониторингу Kubernetes. Обзор всех доступных метрик приведен в  документации Airflow; обратитесь к  ней для своей версии Airflow. Вот несколько хороших метрик для определения статуса Airflow: „ чтобы узнать о правильном функционировании ваших ОАГ: – dag_processing.import_errors  – показывает количество ошибок, обнаруженных при обработке ОАГ. Все, что больше нуля, не годится;

360

Глава 12 Эксплуатация Airflow в промышленном окружении

– dag_processing.total_parse_time – внезапное сильное увеличение после добавления или изменения ОАГ – это нехорошо; – ti_failures – количество неудачных экземпляров задачи; „ чтобы разобраться с производительностью Airflow: – dag_processing.last_duration.[filename]  – время, затраченное на обработку файла ОАГ. Высокие значения указывают на то, что что-то не так; – dag_processing.last_run.seconds_ago.[filename] – количество секунд с момента последней проверки планировщиком файла, содержащего ОАГ. Чем выше это значение, тем хуже; это означает, что планировщик слишком занят. Значения должны быть порядка нескольких секунд максимум; – dagrun.[dag_id].first_task_scheduling_delay – задержка между запланированной и  фактической датами выполнения запуска ОАГ; – execor.open_slots – количество свободных слотов исполнителя; – executeor.queued_tasks – количество задач в очереди; – executeor.running_tasks – количество задач с  состоянием запуска.

12.5 Как получить уведомление о невыполненной задаче При запуске любых критически важных конвейеров нам нужно получать уведомления об инциденте в  тот момент, когда что-то пойдет не так. Представьте себе невыполненную задачу или задачу, которая не завершилась в ожидаемые сроки и задерживает другие процессы. Рассмотрим различные варианты, которые Airflow предоставляет как для определения условий, требующих оповещений, так и для отправки фактических оповещений.

12.5.1 Оповещения в ОАГ и операторах В Airflow есть несколько уровней для настройки оповещений. Во-первых, в рамках определения ОАГ и операторов можно настроить т. н. функции обратного вызова (т. е. функции для вызова определенных событий). Листинг 12.18

Определение функции обратного вызова для выполнения при сбое ОАГ

def send_error(): print("ERROR!") dag = DAG( dag_id="chapter12", on_failure_callback=send_error, ... )

send_error выполняется при сбое запуска ОАГ

361

Как получить уведомление о невыполненной задаче

on_failure_callback – это аргумент, который выполняется всякий раз при сбое запуска ОАГ. Представьте себе отправку сообщения Slack в канал ошибок, уведомления в систему сообщений об инцидентах, такую как PagerDuty, или в обычную старую электронную почту. Однако выполняемую функцию вам нужно будет реализовать самостоятельно. На уровне задачи есть дополнительные параметры для настройки. У вас вряд ли есть желание настраивать каждую задачу отдельно, чтобы можно было распространять конфигурацию с помощью параметра default_args на все задачи. Листинг 12.19

Определение функции обратного вызова для выполнения при сбое задачи

def send_error(): print("ERROR!")

default_args распространяет аргументы на задачи

dag = DAG( dag_id="chapter12_task_failure_callback", default_args={"on_failure_callback": send_error}, on_failure_callback=send_error, Обратите внимание, что здесь будут ... отправлены два уведомления: одно ) для сбоя задачи и одно для сбоя ОАГ failing_task = BashOperator( Эта задача не вернет код выхода 0 task_id="failing_task", и, следовательно, завершится ошибкой bash_command="exit 1", dag=dag, )

Родительский класс всех операторов (BaseOperator) содержит аргумент on_failure_callback; следовательно, его содержат все операторы. При настройке этого аргумента в default_args вы задаете сконфигурированные аргументы для всех задач в ОАГ, поэтому все задачи будут вызывать send_error всякий раз, когда возникает ошибка в листинге  12.19. Также можно настроить аргумент on_success_callback (в случае успеха) и аргумент on_retry_callback (в случае повторного выполнения задачи). Хотя можно самостоятельно отправить электронное письмо внутри функции, вызываемой on_failure_callback, Airflow предоставляет удобный аргумент email_on_failure, который отправляет электронное письмо без необходимости настраивать сообщение. Однако нужно настроить протокол SMTP в  конфигурации Airflow; в  противном случае электронные письма нельзя будет отправить. Такая конфигурация предназначена для Gmail. Листинг 12.20

Пример конфигурации SMTP для отправки автоматических электронных писем

AIRFLOW__SMTP__SMTP_HOST=smtp.gmail.com [email protected]

362

Глава 12 Эксплуатация Airflow в промышленном окружении AIRFLOW__SMTP__SMTP_PASSWORD=abcdefghijklmnop AIRFLOW__SMTP__SMTP_PORT=587 AIRFLOW__SMTP__SMTP_SSL=False AIRFLOW__SMTP__SMTP_STARTTLS=True [email protected]

Фактически Airflow настроен на отправку писем по умолчанию, то есть в BaseOperator есть аргумент email_on_failure, который по умолчанию имеет значение True. Тем не менее без правильной конфигурации SMTP он не будет отправлять электронную почту. Кроме того, в аргументе оператора email также нужно задать адрес электронной почты получателя. Листинг 12.21

Настройка адреса электронной почты для отправки оповещений

dag = DAG( dag_id="task_failure_email", default_args={"email": "[email protected]"}, ... )

При правильной конфигурации SMTP и настроенном адресе электронной почты получателя Airflow теперь отправит вам электронное письмо с уведомлением о невыполненной задаче (рис. 12.22).

Произошла ошибка в задаче

Рис. 12.22

Пример оповещения по электронной почте

Журналы задач также сообщают нам, что письмо было отправлено: INFO – Sent an alert email to ['[email protected]']

12.5.2 Определение соглашений об уровне предоставления услуги В Airflow также существует концепция SLA (соглашение об уровне предоставления услуги). Это определенный стандарт, которому необходимо соответствовать в отношении услуги или продукта. Например, ваш поставщик телевизионных услуг может гарантировать, что

Как получить уведомление о невыполненной задаче

363

99,999 % времени телевизор будет работать безотказно. Это означает, что допустимый простой в год составляет 5,26 минуты. В Airflow можно настроить соглашение об уровне предоставления услуги на уровне задачи для настройки последней приемлемой даты и  времени завершения задачи. Если это соглашение не соблюдается, отправляется электронное письмо или вызывается самоопределяемая функция обратного вызова. Чтобы настроить дату и  время крайнего срока для выполнения задачи с помощью SLA, см. следующий код. Листинг 12.22

Настройка SLA

dag = DAG( dag_id="chapter12_task_sla", ОАГ срабатывает каждые default_args={"email": "[email protected]"}, 30 минут, например в 12:30 schedule_interval=datetime.timedelta(minutes=30), start_date=datetime.datetime(2020, 1, 1, 12), end_date=datetime.datetime(2020, 1, 1, 15), ) SLA определяет максимальную Эта задача sleeptask = BashOperator( разницу между запланированным бездействует task_id="sleeptask", запуском ОАГ и завершением 60 секунд bash_command="sleep 60", задачи (например, 12:32) sla=datetime.timedelta(minutes=2), dag=dag, )

Эти соглашения работают несколько нелогично. Хотя вы можете ожидать, что они будут функционировать как максимальное время выполнения для заданных задач, они функционируют как максимальная разница во времени между запланированным началом запуска ОАГ и завершением задачи. Итак, если ваш ОАГ начинается в  12:30 и  вы хотите, чтобы ваша задача завершилась не позднее 14:30, нужно задать для timedelta значение, равное двум часам, даже если вы ожидаете, что задача будет выполняться всего за пять минут. Примером аргумента в пользу такого, на первый взгляд, непонятного поведения может быть ситуация, когда вы хотите, чтобы отчет был отправлен не позднее определенного времени, скажем 14:30. Если обработка данных для отчета занимает больше времени, чем ожидалось, задача отправить электронное письмо с отчетом будет завершена после крайнего срока, 14:30, и будет инициировано соглашение об уровне предоставления услуги. Само условие SLA срабатывает примерно во время крайнего срока вместо ожидания завершения задачи. Если задача не будет завершена до установленного срока, будет отправлено электронное письмо. Листинг 12.23

Пример сообщения электронной почты о пропущенном SLA

Here's a list of tasks that missed their SLAs: sleeptask on 2020­01­01T12:30:00+00:00

364

Глава 12 Эксплуатация Airflow в промышленном окружении Blocking tasks: =, .= =.| ,­­­. |.= =.| "­(:::::)­" |.= \\__/`­.|.­'\__// `­| .::| .::|­' _|`­._|_.­'|_ /.­| | .::|­.\ // ,| .::|::::|. \\ || //\::::|::' /\\ || /'\|| `.__|__.' ||/'\ ^ \\ // ^ /'\ /'\ ^ ^

Pillendreher (Scarabaeus sacer)

Да, в письме был этот жук в кодировке ASCII! Хотя задача из листинга 12.22 служит примером, желательно настроить SLA для обнаружения отклонений в  вашем задании. Например, если входные данные вашего задания внезапно увеличиваются в пять раз, а это приводит к тому, что задание занимает значительно больше времени, можно рассмотреть возможность повторного вычисления определенных параметров задания. Дрейф в размере данных и результирующую продолжительность задания можно обнаружить с помощью SLA. Сообщение по электронной почте уведомляет вас только о нарушении SLA, поэтому можно рассмотреть что-то другое, кроме электронной почты или вашего собственного формата. Этого можно добиться с  помощью аргумента sla_miss_callback. Как ни странно, это аргумент класса DAG, а не класса BaseOperator. Если вы ищете максимальное время выполнения задачи, настройте аргумент execution_timeout для своего оператора. Если продолжительность задачи превышает настроенное значение execution_time­ out, она завершается ошибкой.

12.6 Масштабируемость и производительность В разделах 12.1 и 12.2 мы рассмотрели типы исполнителей, которые предлагает Airflow: „ SequentialExecutor (по умолчанию); „ LocalExecutor; „ CeleryExecutor; „ KubernetesExecutor. Давайте подробнее рассмотрим, как настроить Airflow и эти типы исполнителей для обеспечения адекватной масштабируемости и производительности. Под производительностью мы понимаем способность быстро реагировать на события без задержек и с минимальным

Масштабируемость и производительность

365

ожиданием. Под масштабируемостью понимается способность обрабатывать большую (увеличивающуюся) нагрузку без воздействия на службу. Мы бы хотели подчеркнуть важность мониторинга, как описано в разделе 12.4. Без измерения и знания состояния вашей системы оптимизация остается лишь догадкой. Измеряя то, что вы делаете, вы знаете, положительно ли влияет изменение на вашу систему.

12.6.1 Контроль максимального количества запущенных задач В табл. 12.3 перечислены конфигурации Airflow, с помощью которых можно контролировать количество задач, которые вы можете запускать параллельно. Обратите внимание, что элементы конфигурации имеют несколько странное название, поэтому внимательно прочтите их описание. Таблица 12.3 Обзор конфигураций Airflow, связанных с количеством выполняемых задач Элемент конфигурации AIRFLOW__CORE__DAG_CONCURRENCY

Значение по умолчанию 16

AIRFLOW__CORE__MAX_ACTIVE_RUNS_ PER_DAG

16

AIRFLOW__CORE__PARALLELISM

32

AIRFLOW__CELERY__ WORKER_CONCURRENCY

16

Описание Максимальное количество задач в очереди или в состоянии запуска на каждый ОАГ Максимальное количество параллельных запусков ОАГ на каждый ОАГ Максимальное количество экземпляров задачи для параллельного запуска, глобально Максимальное количество задач на один воркер Celery (только для Celery)

Если вы запускаете ОАГ с большим количеством задач, то значения по умолчанию ограничивают это число до 16 параллельных задач изза того, что для параметра dag_concurrency задано значение 16, даже если для параметра parallelism установлено значение 32. Второй ОАГ с большим количеством задач также будет ограничен 16 параллельными задачами, но вместе они достигнут глобального предела 32, заданного параметром parallelism. Есть еще один фактор, ограничивающий глобальное количество параллельных задач: по умолчанию все задачи выполняются в пуле «default_pool» со 128 слотами по умолчанию. Однако перед достижением предела этого пула необходимо увеличить значения dag_concur­ rency и parallelism. В частности, для CeleryExecutor параметр AIRFLOW__CELERY__WORK­ ER_ CONCURRENCY контролирует количество процессов на одного воркера, которые будет обрабатывать Celery. По нашему опыту, Airflow может потребовать значительных ресурсов; поэтому учитывайте как минимум 200  МБ ОЗУ на процесс в  качестве базового показателя,

366

Глава 12 Эксплуатация Airflow в промышленном окружении

для того чтобы просто иметь воркер с настроенным числом concur­ rency в  рабочем состоянии. Кроме того, нужно рассмотреть худший сценарий, при котором наиболее ресурсоемкие задачи выполняются параллельно, чтобы оценить, сколько параллельных задач может обработать воркер Celery. Для определенных ОАГ значение по умолчанию max_active_runs_per_dag можно переопределить аргументом concurrency в классе DAG. На уровне отдельной задачи можно задать аргумент pool для запуска конкретной задачи в пуле, который ограничивает количество задач, которые он может выполнить. Пулы можно применять для определенных групп задач. Например, хотя для вашей системы может быть нормально запускать 20 задач, выполняющих запросы к базе данных и ожидающих возврата результата, при запуске 5 задач, интенсивно использующих ЦП, могут возникнуть проблемы. Чтобы ограничить такие ресурсоемкие задачи, можно назначить им выделенный пул high_resource с низким максимальным количеством задач. Кроме того, на уровне задачи можно задать аргумент task_concur­ rency, который обеспечивает дополнительное ограничение конкретной задачи на несколько запусков. Это может быть полезно в случае ресурсоемкой задачи, которая может потребовать все ресурсы машины при параллельном запуске со множеством экземпляров (рис. 12.23).

Аргумента task_concurrency нет

task_concurrency = 2

Рис. 12.23 task_concurrency может ограничить количество параллельных выполнений задачи

12.6.2 Конфигурации производительности системы При выполнении значительного количества задач вы можете заметить, что нагрузка на базу метаданных возрастает. Airflow в  значительной степени полагается на базу данных для хранения всего состояния. Каждая новая версия Airflow обычно включает в себя несколько улучшений, связанных с производительностью, поэтому это помогает регулярно выполнять обновления. Мы также можем настроить количество выполняемых запросов к базе данных. Повышение значения AIRFLOW__SCHEDULER__SCHEDULER_HEARTBEAT_ SEC (по умолчанию 5) может снизить количество проверок, которые Airflow выполняет в  задании планировщика, что приводит к  меньшему числу запросов к базе данных. 60 секунд – разумное значение. Пользовательский интерфейс Airflow отобразит предупреждение

Масштабируемость и производительность

367

через 30 секунд после получения последнего контрольного сигнала планировщика, но это число можно настроить с помощью AIRFLOW__ SCHEDULER__SCHEDULER_HEALTH_CHECK_THRESHOLD. Значение AIRFLOW__SCHEDULER__PARSING_PROCESSES (по умолчанию  2; изменяется на 1, если используется SQLite) контролирует, сколько процессов выполняет планировщик задач одновременно для обработки состояния ОАГ; каждый процесс заботится о проверке необходимости создания новых запусков ОАГ, планирования или постановки новых экземпляров задач в очередь и т. д. Чем выше это число, тем больше ОАГ будет проверяться одновременно и меньше задержка между задачами. Повышение данного значения происходит за счет увеличения использования ЦП, поэтому увеличивайте и  измеряйте изменения осторожно. Наконец, с точки зрения пользователя, может быть интересно настроить AIRFLOW_SCHEDULER__DAG_DIR_LIST_INTERVAL (по умолчанию 300 секунд). Этот параметр определяет, как часто планировщик проверяет каталог ОАГ на наличие новых, ранее неизвестных файлов. Если вы часто добавляете новые файлы ОАГ, то вам придется ждать, пока они появятся в  пользовательском интерфейсе Airflow. Уменьшение этого значения заставит Airflow сканировать каталог ОАГ на предмет наличия новых файлов чаще, но за счет бóльшей загрузки ЦП, поэтому также осторожно уменьшайте это значение.

12.6.3 Запуск нескольких планировщиков Долгожданная функция Airflow 2  – возможность горизонтального масштабирования планировщика (в Airflow 1 этой функции нет). Поскольку планировщик – это сердце и  мозги Airflow, способность запускать несколько экземпляров планировщика, для масштабируемости и избыточности, были давней мечтой сообщества Airflow. Распределенные системы сложны, и большинство систем требуют добавления алгоритма консенсуса, чтобы определить, какой процесс является лидером. В  Airflow цель заключалась в  том, чтобы максимально упростить системные операции, а  лидерство было реализовано за счет блокировки на уровне строк (SELECT ... FOR UPDATE) на уровне базы данных. В  результате несколько планировщиков могут работать независимо друг от друга, не требуя дополнительных инструментов для достижения консенсуса. Единственный момент – база данных должна поддерживать определенные концепции блокировки. На момент написания книги тестируются и поддерживаются следующие базы и версии: „ PostgreSQL версии 9.6 и выше; „ MySQL версии 8 и выше. Для масштабирования планировщика просто запустите еще один процесс планировщика: airflow scheduler

Глава 12 Эксплуатация Airflow в промышленном окружении

368

Каждый экземпляр планировщика определит, какие задачи (представленные строками в  базе данных) доступны для обработки по принципу «первым пришел – первым обслужен», и никакой дополнительной настройки не требуется. После запуска нескольких экземпляров, если одна из машин, на которой работает один из планировщиков, выйдет из строя, он больше не будет отключать Airflow, поскольку другие экземпляры планировщика будут продолжать работать.

Резюме SequentialExecutor и  LocalExecutor ограничены одной машиной, но их легко настроить. „ Для настройки CeleryExecutor и  KubernetesExecutor требуется больше работы, но они позволяют масштабировать задачи на нескольких машинах. „ Prometheus и Grafana можно использовать для хранения и визуализации метрик из Airflow. „ Функции обратного вызова при сбоях и  соглашения об уровне предоставления услуги могут отправлять электронные письма или настраиваемые уведомления в случае определенных событий. „ Развернуть Airflow на нескольких машинах не так просто, поскольку задачи Airflow и планировщик (планировщики) требуют доступа к каталогу ОАГ. „

13

Безопасность в Airflow

Эта глава рассказывает: о настройке интерфейса RBAC для контроля доступа; „ о предоставлении доступа центральному набору пользователей с помощью подключения к службе LDAP; „ о настройке ключа Fernet для шифрования секретов в базе данных; „ об обеспечении безопасности трафика между вашим браузером и веб-сервером; „ об извлечении секретов из центральной системы управления секретами. „

Учитывая природу Airflow, который напоминает паука в  паутине, управляющего серией задач, он должен подключаться ко множеству систем и,  следовательно, является желанной целью, к  которой некоторые хотят получить доступ. Чтобы избежать такой нежелательной ситуации, в  этой главе мы обсудим безопасность Airflow. Мы расскажем о  различных вариантах использования, связанных с  вопросами безопасности, и подробно рассмотрим их на практических примерах. Безопасность часто рассматривается как нечто, связанное с черной магией, где необходимо понимание множества технологий, сокращений и сложных деталей. Хотя это и не так, мы написали данную главу для читателей, мало знающих о безопасности, и выделили различные ключевые моменты, чтобы вы могли избежать нежелательных действий при установке Airflow, которые должны послужить отправной точкой.

Глава 13

370

Безопасность в Airflow

Интерфейсы Airflow В Airflow 1.x есть два интерфейса:  

оригинальный интерфейс, разработанный поверх Flask-Admin; интерфейс RBAC, разработанный поверх Flask-AppBuilder (FAB).

Первоначально Airflow поставлялся с исходным интерфейсом и впервые представил интерфейс управления доступом на основе ролей (RBAC) в Airflow версии 1.10.0. Интерфейс RBAC предоставляет механизм, который ограничивает доступ, определяя роли с соответствующими полномочиями и назначая эти роли пользователям. Исходный интерфейс по умолчанию открыт для всех. Интерфейс RBAC имеет больше функций безопасности. Во время написания этой книги исходный интерфейс устарел и был удален в Airflow 2.0. RBAC теперь является единственным интерфейсом, поэтому в этой главе мы рассматриваем только его. Чтобы активировать его интерфейс RBAC с Airflow 1.x, задайте для AIRFLOW__WEBSERVER__RBAC значение True.

13.1 Обеспечение безопасности веб-интерфейса Airflow Запустите веб-сервер Airflow, выполнив команду airflow webserver, и перейдите по адресу http://localhost:8080, где вы увидите экран входа (рис. 13.1).

Рис. 13.1 Главный экран интерфейса RBAC. Аутентификация по паролю активирована по умолчанию. Пользователя по умолчанию не существует

Обеспечение безопасности веб-интерфейса Airflow

371

Это первое представление интерфейса RBAC. На этом этапе вебсервер запрашивает имя пользователя и  пароль, но пользователей пока нет.

13.1.1 Добавление пользователей в интерфейс RBAC Мы создадим учетную запись для пользователя по имени Боб Смит. Листинг 13.1

Регистрация пользователя для интерфейса RBAC

airflow users create \ --role Admin \ ­­username bobsmith \ --password topsecret \ ­­email [email protected] \ ­­firstname Bob \ ­­lastname Smith

Роль Admin предоставляет все полномочия этому пользователю Опускаем параметр –password для запроса пароля

С помощью этого кода мы создаем пользователя с  ролью «Администратор». Модель RBAC состоит из пользователей, которым назначена (единственная) роль с  полномочиями (определенными операциями), назначенными этим ролям, которые применяются к  определенным компонентам интерфейса веб-сервера (рис. 13.2). Роль

Рис. 13.2

Полномочия

Компонент пользовательского интерфейса

Модель полномочий RBAC

В листинге 13.1 пользователю «bobsmith» была назначена роль «Адмиистратор». Определенным операциям (например, edit) в определенных компонентах (таких как меню и  конкретные страницы, например «Подключения») затем можно назначить роли. Например, наличие полномочий типа «можно редактировать в ConnectionModelView» позволяет редактировать подключения. По умолчанию есть пять ролей. Роль администратора предоставляет все полномочия, в том числе доступ к представлению безопасности. Однако нужно не торопясь подумать, какую роль вы предоставите пользователю в рабочей системе. На данном этапе можно выполнить вход с  именем пользователя «bobsmith» и паролем «topsecret». Главный экран будет выглядеть так же, как и исходный интерфейс, но на верхней панели есть несколько новых элементов, показанных на рис. 13.3. Представление безопасности – самая интересная особенность интерфейса RBAC. При открытии меню будет отображено несколько параметров (рис. 13.4). Щелкните List Roles (Список ролей), чтобы изучить все роли по умолчанию (рис. 13.5).

372

Глава 13

Безопасность в Airflow

Вкладка безопасности видна, если назначена роль администратора

Пользователи могут просматривать свой профиль

Рис. 13.3 Верхняя панель, отображающая пункты меню в зависимости от роли и соответствующих полномочий, которые были предоставлены вашему пользователю

Рис. 13.4 Параметры на вкладке Security (Безопасность)

Рис. 13.5 Роли по умолчанию и соответствующие полномочия в Airflow. Некоторые полномочия опущены, чтобы было удобнее читать

В этом представлении мы видим пять ролей, доступных для использования по умолчанию. Полномочия по умолчанию для этих ролей приведены в табл. 13.1. Только что созданному пользователю «bobsmith» была назначена роль администратора, что предоставляет ему все полномочия (неко-

Обеспечение безопасности веб-интерфейса Airflow

373

торые из них не показаны на рис. 13.5, чтобы было удобнее читать). Возможно, вы заметили, что у роли Public нет полномочий. Как следует из названия роли, все полномочия, прикрепленные к ней, являются общедоступными (т. е. вам не нужно выполнять вход). Допустим, вы хотите разрешить лицам без учетной записи Airflow просматривать меню Docs (Документы) (рис. 13.6). Таблица 13.1 Роль Admin

Полномочия ролей по умолчанию для интерфейса RBAC

Предполагаемые пользователи / использование Требуется только при управлении полномочиями безопасности Public Неаутентифицированные пользователи Viewer Представление Airflow только для чтения User Полезна, если вам необходимо строгое разделение в своей команде между разработчиками, которые могут или не могут редактировать секреты (подключения, переменные и т. д.). Эта роль предоставляет полномочия только на создание ОАГ, а не секретов Op Все полномочия, необходимые для разработки ОАГ

Полномочия по умолчанию Все полномочия Отсутствие полномочий Доступ к ОАГ для чтения То же, что и Viewer, но с полномочиями на редактирование (очистка, запуск, пауза и т. д.) в ОАГ

То же, что и User, но с дополнительными полномочиями на просмотр и редактирование подключений, пулов, переменных, XCom’ов и конфигурации

Меню Docs отображается без совершения входа

Рис. 13.6 Предоставление полномочий роли Public делает компоненты пользовательского интерфейса доступными для всех

Чтобы разрешить доступ к  этим компонентам, нужно отредактировать роль Public и добавить ей правильные полномочия (рис. 13.7).

Глава 13

374

Безопасность в Airflow

1. Перечислить роли

2. Изменить роль public

3. Добавить полномочия

Рис. 13.7 Добавление полномочия для роли Public

Полномочия достаточно детализированы; доступ к каждому меню и  пункту меню контролируется полномочиями. Например, чтобы сделать меню «Документы» видимым, нужно добавить полномочие «доступ в  меню “Документы”». А  чтобы сделать элемент меню «Документация» видимым в меню «Документы», нужно добавить полномочие «доступ в  меню “Документация”». Иногда поиск правильных полномочий может быть обременительным. Проще всего проверить другие роли, чтобы узнать, какие полномочия доступны. Полномочия отображаются в виде строки, которая в  большинстве случаев не требует пояснений относительно предоставляемого доступа.

13.1.2 Настройка интерфейса RBAC Как уже отмечалось, интерфейс RBAC разработан на основе фреймворка Flask-AppBuilder (FAB). При первом запуске веб-сервера RBAC вы найдете файл webserver_config.py в $AIRFLOW_HOME. FAB можно настроить с помощью файла config.py, но для ясности этот же файл в Airflow был назван webserver_config.py. Итак, этот файл содержит конфигурацию для FAB, фреймворка, лежащего в основе интерфейса RBAC. Вы можете предоставить собственную конфигурацию интерфейсу RBAC, поместив файл webserver_ config.py в $AIRFLOW_HOME. Если Airflow не может найти файл, он сгенерирует для вас файл по умолчанию. Для получения всех подробностей и доступных опций в этом файле обратитесь к документации FAB. В ней содержатся все конфигурации для интерфейса RBAC (а не только те, которые связаны с безопасностью). Например, чтобы настроить тему для интерфейса RBAC, задайте для APP_THEME значение "sandstone.css" в файле webserver_config.py. Просмотрите документацию по FAB, чтобы увидеть все доступные темы (рис. 13.8).

375

Шифрование хранимых данных

Рис. 13.8

Настройка интерфейса RBAC с использованием темы Sandstone

13.2 Шифрование хранимых данных Интерфейс RBAC требует, чтобы пользователи находились в базе данных с именем пользователя и паролем. Это предотвращает доступ к Airflow со стороны случайных незнакомцев, которые «просто осматриваются», но это далеко не идеальный вариант. Прежде чем погрузиться в шифрование, вернемся к базовой архитектуре Airflow из рис. 12.1. Airflow состоит из нескольких компонентов. Каждый из них представляет собой потенциальную угрозу, поскольку служит путем, через который незваные гости могут получить доступ к  вашим системам (рис.  13.9). Уменьшение количества открытых точек входа (т.  е. сужение поверхности атаки) всегда является хорошей идеей. Если вы должны открыть доступ к службе по практическим причинам, например к  веб-серверу Airflow, нужно непременно убедиться, что он не является общедоступным1.

База данных Веб-сервер

Планировщик

ОАГ

Рис. 13.9 Веб-сервер и база данных предоставляют доступ к службе и могут предложить незваным гостям потенциальный путь доступа к Airflow. Защищая их, вы сокращаете поверхность атаки

13.2.1 Создание ключа Fernet Вы также хотите, чтобы ваши данные были в безопасности после того, как злоумышленник сумел получить к ним доступ. До того, как соз1

В любом облаке легко можно предоставить доступ к службе через интернет. Простые меры, которые можно предпринять, чтобы избежать этого, включают в себя отказ от использования внешнего IP-адреса и/или блокировку всего трафика, допуская только свой диапазон IP-адресов.

Глава 13

376

Безопасность в Airflow

давать пользователей и  пароли, убедитесь, что в  Airflow включено шифрование. Без шифрования пароли (и другие секреты, такие как подключения) хранятся в базе данных в незашифрованном виде. Любой, у кого есть доступ к базе данных, также может прочитать пароли. В зашифрованном виде они хранятся в виде последовательности кажущихся случайными символов, что, по сути, бесполезно. Airflow может шифровать и  расшифровывать секреты, используя т. н. ключ Fernet (рис. 13.10). Ключ Fernet

Шифрование

Расшифровка

Пароль

Пароль База данных Airlfow

Рис. 13.10 Ключ Fernet шифрует данные, перед тем как сохранить их в базе данных, и расшифровывает данные перед их чтением из базы данных. Без доступа к ключу Fernet пароли бесполезны для злоумышленника. Когда один и тот же ключ используется для шифрования и дешифровки, такой способ называется симметричным шифрованием

Ключ Fernet – это строка, используемая для шифрования и дешифрования. Если этот ключ каким-то образом будет утерян, то зашифрованные сообщения больше нельзя будет расшифровать. Чтобы предоставить Airflow ключ Fernet, его можно сгенерировать. Листинг 13.2

Создание ключа Fernet

from cryptography.fernet import Fernet fernet_key = Fernet.generate_key() print(fernet_key.decode()) # YlCImzjge_TeZc7jPJ7Jz2pgOtb4yTssA1pVyqIADWg=

Затем мы можем предоставить его Airflow, задав его в качестве значения элементу конфигурации AIRFLOW__CORE__FERNET_KEY: AIRFLOW__CORE__FERNET_KEY=YlCImzjge_TeZc7jPJ7Jz2pgOtb4yTssA1pVyqIADWg=

Теперь Airflow будет использовать данный ключ для шифрования и дешифрования подключений, переменных и  паролей пользователей. И  мы можем создать своего первого пользователя и  безопасно сохранить его пароль. Храните этот ключ в безопасности, поскольку любой, у кого есть доступ к нему, сможет расшифровать секреты; кроме того, вы не сможете расшифровать их, если вдруг потеряете его!

Подключение к службе LDAP

377

Чтобы не хранить ключ Fernet в виде обычного текста в переменной окружения, можно настроить Airflow для чтения значения из команды Bash (например, cat/path/to/secret). Саму команду можно задать в переменной окружения: AIRFLOW__CORE __FERNET_KEY_CMD=cat/path/ to/secret. После этого файл, содержащий секретное значение, может быть доступен только для чтения и только пользователю Airflow.

13.3 Подключение к службе LDAP Как было показано в  разделе 13.1, мы можем создавать и  хранить пользователей в  самом Airflow. Однако в  большинстве компаний обычно существуют системы управления пользователями. Разве не было бы удобнее подключить Airflow к  такой системе, вместо того чтобы управлять собственным набором пользователей с еще одним паролем? Популярный метод управления пользователями осуществляется через сервис, поддерживающий протокол LDAP (англ. Lightweight Directory Access Protocol – «легковесный протокол доступа к каталогам), например Azure AD или OpenLDAP, которые называются службы каталогов. ПРИМЕЧАНИЕ В этом разделе мы будем использовать термин «служба LDAP» для обозначения службы каталогов, поддерживающей запросы по протоколу LDAP. Служба каталогов – это система хранения, обычно используемая для хранения информации о ресурсах, например пользователях и службах. LDAP – это протокол, по которому можно получить доступ к большинству этих служб каталогов. Когда Airflow подключен к службе LDAP, информация о пользователе извлекается из службы в фоновом режиме после входа в систему (рис. 13.11). Airflow

LDAP

Приложение 1 Приложение 2 Служба каталогов

Рис. 13.11 Пользователи хранятся в службе каталогов, такой как Azure AD или OpenLDAP, доступ к которой можно получить с помощью протокола LDAP. Таким образом, пользователь создается только один раз и подключается ко всем приложениям

Сначала мы дадим небольшое введение в LDAP и соответствующие технологии (раздел 13.3.1), а затем продемонстрируем, как подключить Airflow к службе LDAP (раздел 13.3.2).

Глава 13

378

Безопасность в Airflow

13.3.1 Разбираемся с LDAP Связь между SQL и реляционной базой данных (например, PostgreSQL или MySQL) аналогична связи между LDAP и службой каталогов (например, Azure AD или OpenLDAP). Точно тоже, как в реляционной базе данных хранятся данные, а  SQL используется для запроса данных, служба каталогов также хранит данные (хотя и  в другой структуре), а LDAP используется для выполнения запросов к службе каталогов. Однако реляционные базы данных и  службы каталогов созданы для разных целей: реляционные базы данных предназначены для транзакционного использования любых данных, которые вы хотите сохранить, в то время как службы каталогов предназначены для больших объемов операций чтения, где данные соответствуют структуре, подобной телефонной книге (допустим, сотрудники компании или устройства в  здании). Например, реляционная база данных больше подходит для поддержки платежной системы, поскольку платежи производятся часто и анализ платежей включает в себя разные типы агрегирования. С другой стороны, служба каталогов больше подходит для хранения учетных записей пользователей, поскольку они часто запрашиваются, но обычно не меняются. В службе каталогов сущности (например, пользователи, принтеры или общие сетевые ресурсы) хранятся в  иерархической структуре – информационном дереве каталога. Каждая сущность называется записью, где информация хранится в  виде пар «ключ-значение»  – атрибутов и значений. Кроме того, каждая запись обладает уникальным именем. Визуально данные в службе каталогов представлены на рис. 13.12. Информационное дерево каталога root dc = com

dc = apacheairflow Запись для “Bob Smith” DN = cn=bob,ou=people, dc=apacheairflow,dc=com Имя

Bob

Фамилия

Smith

Почта

[email protected]

cn = bob

ou = people

ou = servers

cn = alice

cn = carol

Рис. 13.12 Информация в службе каталогов хранится в виде иерархической структуры – информационном дереве каталога. Записи представляют собой сущность, например человек, и содержат атрибуты «ключ-значение»

Подключение к службе LDAP

379

Вы можете спросить, зачем мы демонстрируем эту иерархию и что означают сокращения dc, ou и  cn. Хотя служба каталогов – это база данных, в  которой теоретически можно хранить любые данные, существуют установленные требования LDAP в  отношении того, как хранить и структурировать данные1. Согласно одному из соглашений дерево должно начинаться с т. н. компонента домена (dc), который мы видим на рис. 13.12, представленного как dc=com и dc=apacheairflow. Как следует из названия, это компоненты домена, поэтому домен вашей компании разделен точками, например apacheairflow и com. Далее идут ou=people и cn=bob. ou – это сокращение от organizational unit (организационная единица), а  cn  – это common name (обычное имя). Хотя это ничего не говорит вам о том, как структурировать дерево, это часто используемые компоненты. Стандарт LDAP определяет различные объектные классы, которые определяют сущность наряду с определенными ключами. Например, объектный класс person определяет человека с такими ключами, как sn (фамилия, обязательно) и initials (необязательно). Поскольку в стандарте определены такие объектные классы, приложения, читающие службу LDAP, обязательно всегда найдут фамилию человека в поле sn, и, таким образом, любое приложение, которое может выполнить запрос к службе LDAP, будет знать, где найти нужную информацию. Теперь, когда мы знаем основные компоненты службы каталогов и то, как хранится информация, что же такое LDAP и  как он соединяется со службой каталогов? Подобно тому, как SQL предоставляет определенные инструкции, такие как SELECT, INSERT, UPDATE и DELETE, LDAP предоставляет набор операций для службы каталогов (табл. 13.2). Таблица 13.2 Обзор операций LDAP Операция LDAP Abandon Add Bind

Compare Delete Extended

Modify DN Modify Search Unbind

1

Описание Отмена ранее запрошенной операции Создание новой записи Авторизация в качестве заданного пользователя. Технически первое подключение к службе каталогов – анонимное. Затем операция bind изменяет личность данного пользователя, что позволяет выполнять определенные операции со службой каталогов Проверяет, содержит ли данная запись заданное значение атрибута Удаление записи Запрос операции, не определенной стандартом LDAP, но доступной в службе каталогов (зависит от типа службы каталогов, к которой вы подключаетесь) Изменяет уникальное имя записи Редактирует атрибуты записи Поиск и возврат записей, соответствующих заданным критериям Закрывает соединение со службой каталогов

Эти стандарты определены в RFC 4510-4519.

Глава 13

380

Безопасность в Airflow

Только для извлечения информации о пользователе нам потребуются операции bind (чтобы аутентифицироваться как пользователь с полномочиями на чтение пользователей в службе каталогов), search (для поиска заданного уникального имени) и unbind, чтобы закрыть соединение. Поисковый запрос содержит набор фильтров, обычно уникальное имя, выбирающее часть информационного дерева, а также несколько условий, которым должны соответствовать записи, например uid=bsmith. Это то, что делает любое приложение, запрашивающее службу LDAP, под капотом1. Листинг 13.3

Пример поиска в LDAP

Перечисляет все записи Перечисляет все записи в dc = apacheairflow, dc = com, в dc = apacheairflow, dc = com где uid = bsmith ldapsearch -b "dc=apacheairflow,dc=com" ldapsearch -b "dc=apacheairflow,dc=com" "(uid=bsmith)"

Приложения, взаимодействующие со службой LDAP, будут выполнять такой поиск, чтобы извлечь и проверить информацию о пользователе для аутентификации в приложении.

13.3.2 Извлечение пользователей из службы LDAP Аутентификация с протоколом LDAP поддерживается через FAB; поэтому нужно настроить его в  файле webserver_config.py (в  $AIRFLOW_ HOME). При правильной настройке и после выполнения входа FAB будет искать в службе LDAP указанное имя пользователя и пароль. Листинг 13.4

Настройка синхронизации LDAP в webserver_config.py

from flask_appbuilder.security.manager import AUTH_LDAP AUTH_TYPE = AUTH_LDAP AUTH_USER_REGISTRATION = True AUTH_USER_REGISTRATION_ROLE = "User"

Роль по умолчанию, назначаемая любому пользователю, выполнившему вход

AUTH_LDAP_SERVER = "ldap://openldap:389" Раздел информационного дерева AUTH_LDAP_USE_TLS = False для поиска пользователей AUTH_LDAP_SEARCH = "dc=apacheairflow,dc=com" AUTH_LDAP_BIND_USER = "cn=admin,dc=apacheairflow,dc=com" AUTH_LDAP_BIND_PASSWORD = "admin" Пользователь службы AUTH_LDAP_UID_FIELD = "uid" LDAP для подключения Имя поля в службе LDAP (привязки) и поиска для поиска имени пользователя

Если они будут найдены, FAB разрешит найденному пользователю доступ к  роли, настроенной с  использованием AUTH_USER_REGISTRA­ 1

ldapsearch требует установки пакета ldap-utils.

Шифрование трафика на веб-сервер

381

TION_ROLE. На момент написания книги не существовало функции для сопоставления групп LDAP с ролями RBAC1. После настройки LDAP вам больше не нужно вручную создавать и сопровождать пользователей в Airflow. Все пользователи хранятся в службе LDAP, единственной системе, в которой будет храниться информация о пользователе, и все приложения (включая Airflow) смогут проверять учетные данные пользователя в службе LDAP без необходимости сопровождения собственных пользователей.

13.4 Шифрование трафика на веб-сервер Злоумышленник может получить данные в различных местах вашей системы. Одно из таких мест – момент передачи данных между двумя системами, также известный как передаваемые данные. Человек посередине – это атака, при которой две системы или люди обмениваются данными друг с другом, в то время как третье лицо перехватывает трафик, читая сообщение (потенциально содержащее пароли и т. д.), и перенаправляет его так, чтобы никто не заметил перехват (рис. 13.13). Перехват конфиденциальных данных неизвестным лицом – нежелательная ситуация, так как же защитить Airflow, чтобы передаваемые данные были в безопасности?

Веб-сервер

Рис. 13.13 При осуществлении атаки «человек посередине» злоумышленник перехватывает трафик между пользователем и веб-сервером Airflow. Трафик считывается и перенаправляется, при этом пользователь не замечает перехват, а злоумышленник получает отправленные данные

Подробнее описание того, как осуществляется данная атака, выходит за рамки этой книги, но мы обсудим, как смягчить ее последствия.

13.4.1 Разбираемся с протоколом HTTP Мы можем работать с  веб-сервером Airflow через браузер, который обменивается данными с Airflow по протоколу HTTP (рис. 13.14). Чтобы делать это безопасно, нужно использовать протокол HTTPS (HTTP Secure). Прежде чем защищать трафик, идущий на веб-сервер, разберемся в различиях между HTTP и HTTPS. Если вы уже знаете о них, можете перейти к разделу 13.4.2. 1

Можно вручную отредактировать таблицу ab_user_role в базе метаданных, чтобы назначить другую роль (после первого входа).

382

Глава 13

Безопасность в Airflow

(1) Привет, http://веб-сервер! (2) Веб-страница

Рис. 13.14 При использовании протокола HTTP валидность вызывающего объекта не проверяется, а данные передаются в виде обычного текста

В чем их отличие? Чтобы понять, как работает HTTPS и  для чего нужны закрытый ключ и сертификат, для начала выясним, как работает HTTP. При переходе на сайт, где используется протокол HTTP, проверка подлинности запроса не выполняется ни с  одной стороны (браузер или веб-сервер пользователя). Все современные браузеры отображают предупреждение о небезопасном соединении (рис. 13.15).

Рис. 13.15 При переходе на страницу http://example. com в Google Chrome будет отображаться сообщение «Небезопасно», поскольку трафик не защищен

Теперь, когда мы знаем, что HTTP-трафик небезопасен, чем нам может помочь HTTPS? Во-первых, с точки зрения пользователя, в современных браузерах отображается значок в  виде замка или нечто зеленого цвета, указывая на действительный сертификат (рис. 13.16). Когда ваш браузер и  веб-сервер обмениваются данными по протоколу HTTPS, первоначальное квитирование включает в  себя больше шагов для проверки действительности удаленной стороны (рис. 13.17). Данные в протоколе HTTPS передаются поверх криптографических протоколов TLS (безопасность транспортного уровня), в которых используется асимметричное и  симметричное шифрование. В то время как в симметричном шифровании для шифрования и дешифрования применяется один ключ, в асимметричном шифровании использует-

Шифрование трафика на веб-сервер

383

ся два ключа: открытый и  закрытый. Магия асимметричного шифрования заключается в том, что данные, зашифрованные открытым ключом, можно расшифровать только с  помощью закрытого ключа (который знает только веб-сервер), а данные, зашифрованные с помощью закрытого ключа, можно расшифровать только с помощью открытого ключа (рис. 13.18).

Рис. 13.16 При переходе на сайт, где используется протокол HTTPS в Google Chrome, отображается значок в виде замка (если сертификат действителен) для обозначения безопасного соединения

(1) Привет, http://веб-сервер! (2) Возвращаем сертификат (с открытым ключом) (3) Проверяем сертификат (4) Договоримся о случайном ключе сеанса, зашифрованного с помощью открытого ключа (5) Расшифровка ключа сеанса с помощью закрытого ключа; возвращаем сообщение, зашифрованное с помощью ключа сеанса

Рис. 13.17 В начале сеанса HTTPS браузер и веб-сервер согласовывают общий ключ сеанса для шифрования и дешифрования трафика

В начале HTTPS-сеанса веб-сервер сначала возвращает сертификат, представляющий собой файл с открытым ключом. Браузер возвращает случайно сгенерированный ключ сеанса на веб-сервер, зашифрованный открытым ключом. Только закрытый ключ может расшифровать это сообщение, доступ к которому должен иметь лишь веб-сервер. По этой причине важно никогда и никому не передавать закрытый ключ; любой, у кого он есть, может расшифровать трафик.

Глава 13

384

Безопасность в Airflow

Симметричное шифрование (Один) ключ шифрования

Шифрование

Расшифровка

Пароль

Пароль Асимметричное шифрование Открытый ключ Закрытый ключ

Шифрование

Расшифровка

Пароль

Пароль

Рис. 13.18 Используя симметричное шифрование, потеря ключа шифрования позволяет другим шифровать и расшифровывать сообщения. При асимметричном шифровании открытый ключ используется совместно с другими, но его потеря не ставит под угрозу безопасность данных

13.4.2 Настройка сертификата для HTTPS Airflow состоит из различных компонентов, и нужно избегать атак на них и между ними, независимо от того, используются ли они извне (например, когда речь идет о веб-сервере) или внутренне (если говорить о трафике между планировщиком и базой данных). Обнаружить и избежать атаки «злоумышленник посередине» может быть сложно. Однако сделать данные бесполезными для злоумышленника несложно, зашифровав трафик. По умолчанию мы обмениваемся данными с Airflow по протоколу HTTP. Можно определить, зашифрован ли трафик, если посмотреть на URL-адрес, например http(s)://localhost: 8080. Весь HTTP-трафик передается в  виде обычного текста; во время атаки «человек посередине» злоумышленник, читающий трафик, может перехватывать и читать пароли по мере их передачи. Когда вы используете протокол HTTPS, это означает, что данные шифруются с одной стороны и расшифровываются с  другой. Во время вышеупомянутой атаки злоумышленник не сможет интерпретировать данные, поскольку они зашифрованы. Посмотрим, как защитить одну общедоступную конечную точку в Airflow: веб-сервер. Нам понадобятся две вещи: „ открытый ключ (держите его в тайне); „ сертификат (им можно безопасно делиться с другими).

Шифрование трафика на веб-сервер

385

О том, что делать с ними дальше, мы поговорим позже. На данный момент важно знать, что закрытый ключ и сертификат – это файлы, предоставляемые центром сертификации или самозаверенным сертификатом (сертификатом, который вы создаете сами и который не подписан официальным центром сертификации). Листинг 13.5

Создание самозаверенного сертификата

openssl req \ ­x509 \ ­newkey rsa:4096 \ ­sha256 \ Генерируем ключ ­nodes \ сроком на один год -days 365 \ -keyout privatekey.pem \ Имя файла закрытого ключа Имя файла сертификата -out certificate.pem \ -extensions san \ -config \